Python sklearn lasso_path用法及代码示例

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

用法:

sklearn.linear_model.lasso_path(X, y, *, 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, **params)

使用坐标下降计算 Lasso 路径。

套索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 * ||w||_1

对于multi-output 任务，它是：

(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：

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。

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。

alphas：ndarray，默认=无

计算模型的 alpha 列表。如果自动设置None alpha。

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_init：ndarray 形状 (n_features, ), 默认=None

系数的初始值。

verbose：bool 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)。

**params：夸格斯

传递给坐标下降求解器的关键字参数。

返回：

alphas：ndarray 形状 (n_alphas,)

沿着计算模型的路径的 alpha。

coefs：ndarray 形状 (n_features, n_alphas) 或 (n_targets, n_features, n_alphas)

沿路径的系数。

dual_gaps：ndarray 形状 (n_alphas,)

每个 alpha 优化结束时的对偶间隙。

n_iters：int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。

注意：

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

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

请注意，在某些情况下，Lars 求解器实现此函数的速度可能要快得多。特别是，线性插值可用于检索lars_path输出的值之间的模型系数

例子：

比较 lasso_path 和 lars_path 与插值：

>>> import numpy as np
>>> from sklearn.linear_model import lasso_path
>>> X = np.array([[1, 2, 3.1], [2.3, 5.4, 4.3]]).T
>>> y = np.array([1, 2, 3.1])
>>> # Use lasso_path to compute a coefficient path
>>> _, coef_path, _ = lasso_path(X, y, alphas=[5., 1., .5])
>>> print(coef_path)
[[0.         0.         0.46874778]
 [0.2159048  0.4425765  0.23689075]]

>>> # Now use lars_path and 1D linear interpolation to compute the
>>> # same path
>>> from sklearn.linear_model import lars_path
>>> alphas, active, coef_path_lars = lars_path(X, y, method='lasso')
>>> from scipy import interpolate
>>> coef_path_continuous = interpolate.interp1d(alphas[::-1],
...                                             coef_path_lars[:, ::-1])
>>> print(coef_path_continuous([5., 1., .5]))
[[0.         0.         0.46915237]
 [0.2159048  0.4425765  0.23668876]]