Python sklearn MultiTaskLasso用法及代码示例

本文简要介绍python语言中 sklearn.linear_model.MultiTaskLasso 的用法。

用法:

class sklearn.linear_model.MultiTaskLasso(alpha=1.0, *, fit_intercept=True, normalize='deprecated', copy_X=True, max_iter=1000, tol=0.0001, warm_start=False, random_state=None, selection='cyclic')

使用 L1/L2 mixed-norm 作为正则化器训练的多任务 Lasso 模型。

Lasso 的优化目标是：

(1 / (2 * n_samples)) * ||Y - XW||^2_Fro + alpha * ||W||_21

其中：

||W||_21 = \sum_i \sqrt{\sum_j w_{ij}^2}

即每行的范数之和。

在用户指南中阅读更多信息。

参数：

alpha：浮点数，默认=1.0

乘以 L1/L2 项的常数。默认为 1.0。

fit_intercept：布尔，默认=真

是否计算此模型的截距。如果设置为 false，则不会在计算中使用截距(即数据应居中)。

normalize：布尔，默认=假

当 fit_intercept 设置为 False 时忽略此参数。如果为 True，则回归量 X 将在回归前通过减去均值并除以 l2 范数进行归一化。如果您希望标准化，请在使用 normalize=False 对估计器调用 fit 之前使用 StandardScaler 。

copy_X：布尔，默认=真

如果 True ，X 将被复制；否则，它可能会被覆盖。

max_iter：整数，默认=1000

最大迭代次数。

tol：浮点数，默认=1e-4

优化的容差：如果更新小于 tol ，则优化代码检查对偶间隙的最优性并继续直到它小于 tol 。

warm_start：布尔，默认=假

当设置为 True 时，重用先前调用的解决方案以适合作为初始化，否则，只需擦除先前的解决方案。请参阅词汇表。

random_state：int，RandomState 实例，默认=无

选择要更新的随机特征的伪随机数生成器的种子。当selection == ‘random’ 时使用。传递 int 以获得跨多个函数调用的可重现输出。请参阅词汇表。

selection：{‘cyclic’, ‘random’}，默认='循环'

如果设置为‘random’，则每次迭代都会更新随机系数，而不是默认情况下按顺序循环特征。这(设置为‘random’)通常会导致收敛速度显著加快，尤其是当 tol 高于 1e-4 时。

属性：

coef_：ndarray 形状(n_targets，n_features)

参数向量(成本函数公式中的 W)。请注意，coef_ 存储了 W 、 W.T 的转置。

intercept_：ndarray 形状 (n_targets,)

决策函数中的独立项。

n_iter_：int

坐标下降求解器为达到指定容差而运行的迭代次数。

dual_gap_：ndarray 形状 (n_alphas,)

每个 alpha 优化结束时的对偶间隙。

eps_：浮点数

公差按目标 y 的方差缩放。

sparse_coef_形状为 (n_features,) 或 (n_targets, n_features) 的稀疏矩阵

拟合 coef_ 的稀疏表示。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

注意：

用于拟合模型的算法是坐标下降。

为避免不必要的内存重复，fit 方法的 X 和 y 参数应直接作为 Fortran-contiguous numpy 数组传递。

例子：

>>> from sklearn import linear_model
>>> clf = linear_model.MultiTaskLasso(alpha=0.1)
>>> clf.fit([[0, 1], [1, 2], [2, 4]], [[0, 0], [1, 1], [2, 3]])
MultiTaskLasso(alpha=0.1)
>>> print(clf.coef_)
[[0.         0.60809415]
[0.         0.94592424]]
>>> print(clf.intercept_)
[-0.41888636 -0.87382323]