当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python sklearn enet_path用法及代码示例


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

用法:

sklearn.linear_model.enet_path(X, y, *, l1_ratio=0.5, eps=0.001, n_alphas=100, alphas=None, precompute='auto', Xy=None, copy_X=True, coef_init=None, verbose=False, return_n_iter=False, positive=False, check_input=True, **params)

使用坐标下降计算弹性网络路径。

弹性网络优化函数因单声道和multi-outputs 而异。

对于mono-output 任务,它是:

1 / (2 * n_samples) * ||y - Xw||^2_2
+ alpha * l1_ratio * ||w||_1
+ 0.5 * alpha * (1 - l1_ratio) * ||w||^2_2

对于multi-output 任务,它是:

(1 / (2 * n_samples)) * ||Y - XW||_Fro^2
+ alpha * l1_ratio * ||W||_21
+ 0.5 * alpha * (1 - l1_ratio) * ||W||_Fro^2

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

X{类数组,稀疏矩阵},形状为 (n_samples, n_features)

训练数据。直接作为Fortran-contiguous 数据传递以避免不必要的内存重复。如果 y 是 mono-output 那么 X 可以是稀疏的。

y{类似数组的稀疏矩阵},形状为 (n_samples,) 或 (n_samples, n_targets)

目标值。

l1_ratio浮点数,默认=0.5

0 到 1 之间的数字传递给弹性网络(在 l1 和 l2 惩罚之间缩放)。 l1_ratio=1 对应于套索。

eps浮点数,默认=1e-3

路径的长度。 eps=1e-3 表示 alpha_min / alpha_max = 1e-3

n_alphas整数,默认=100

正则化路径上的 alpha 数量。

alphasndarray,默认=无

计算模型的 alpha 列表。如果 None alphas 是自动设置的。

precompute‘auto’,布尔型或类似数组的形状 (n_features, n_features),默认=’auto’

是否使用预先计算的 Gram 矩阵来加速计算。如果设置为'auto',让我们决定。 Gram 矩阵也可以作为参数传递。

Xy形状为 (n_features,) 或 (n_features, n_targets) 的类似数组,默认=无

Xy = np.dot(X.T, y) 可以预先计算。仅在预先计算了 Gram 矩阵时才有用。

copy_X布尔,默认=真

如果 True ,X 将被复制;否则,它可能会被覆盖。

coef_initndarray 形状 (n_features, ), 默认=None

系数的初始值。

verbosebool 或 int,默认 = False

详细程度。

return_n_iter布尔,默认=假

是否返回迭代次数。

positive布尔,默认=假

如果设置为 True,则强制系数为正。 (仅在 y.ndim == 1 时允许)。

check_input布尔,默认=真

如果设置为 False,则跳过输入验证检查(包括提供的 Gram 矩阵)。假设它们由调用者处理。

**params夸格斯

传递给坐标下降求解器的关键字参数。

返回

alphasndarray 形状 (n_alphas,)

沿着计算模型的路径的 alpha。

coefsndarray 形状 (n_features, n_alphas) 或 (n_targets, n_features, n_alphas)

沿路径的系数。

dual_gapsndarray 形状 (n_alphas,)

每个 alpha 优化结束时的对偶间隙。

n_itersint列表

坐标下降优化器为达到每个 alpha 的指定容差所采取的迭代次数。 (当 return_n_iter 设置为 True 时返回)。

注意

例如,请参见例子/linear_model/plot_lasso_coordinate_descent_path.py.

相关用法


注:本文由纯净天空筛选整理自scikit-learn.org大神的英文原创作品 sklearn.linear_model.enet_path。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。