Python sklearn Lasso用法及代碼示例

本文簡要介紹python語言中 sklearn.linear_model.Lasso 的用法。

用法:

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

使用 L1 先驗作為正則化器(又名 Lasso)訓練的線性模型。

Lasso 的優化目標是：

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

從技術上講，Lasso 模型使用l1_ratio=1.0(無 L2 懲罰)優化與彈性網絡相同的目標函數。

在用戶指南中閱讀更多信息。

參數：

alpha：浮點數，默認=1.0

乘以 L1 項的常數。默認為 1.0。 alpha = 0 相當於普通的最小二乘，由 LinearRegression 對象解決。出於數字原因，不建議將 alpha = 0 與 Lasso 對象一起使用。鑒於此，您應該使用 LinearRegression 對象。

fit_intercept：布爾，默認=真

是否計算此模型的截距。如果設置為 False，則不會在計算中使用截距(即數據應居中)。

normalize：布爾，默認=假

當 fit_intercept 設置為 False 時忽略此參數。如果為 True，則回歸量 X 將在回歸前通過減去均值並除以 l2 範數進行歸一化。如果您希望標準化，請在使用 normalize=False 對估計器調用 fit 之前使用 StandardScaler 。

precompute：布爾型或類似數組的形狀 (n_features, n_features)，默認=False

是否使用預先計算的 Gram 矩陣來加速計算。 Gram 矩陣也可以作為參數傳遞。對於稀疏輸入，此選項始終為 False 以保持稀疏性。

copy_X：布爾，默認=真

如果 True ，X 將被複製；否則，它可能會被覆蓋。

max_iter：整數，默認=1000

最大迭代次數。

tol：浮點數，默認=1e-4

優化的容差：如果更新小於 tol ，則優化代碼檢查對偶間隙的最優性並繼續直到它小於 tol 。

warm_start：布爾，默認=假

當設置為 True 時，重用之前調用的解決方案作為初始化，否則，隻需擦除之前的解決方案。請參閱詞匯表。

positive：布爾，默認=假

當設置為 True 時，強製係數為正。

random_state：int，RandomState 實例，默認=無

選擇要更新的隨機特征的偽隨機數生成器的種子。當selection == ‘random’ 時使用。傳遞 int 以獲得跨多個函數調用的可重現輸出。請參閱詞匯表。

selection：{‘cyclic’, ‘random’}，默認='循環'

如果設置為‘random’，則每次迭代都會更新隨機係數，而不是默認情況下按順序循環特征。這(設置為‘random’)通常會導致收斂速度顯著加快，尤其是當 tol 高於 1e-4 時。

屬性：

coef_：ndarray 形狀 (n_features,) 或 (n_targets, n_features)

參數向量(成本函數公式中的 w)。

dual_gap_：形狀的浮點數或 ndarray (n_targets,)

給定參數 alpha，優化結束時的對偶間隙，形狀與 y 的每個觀察值相同。

sparse_coef_形狀為 (n_features, 1) 或 (n_targets, n_features) 的稀疏矩陣

擬合 coef_ 的稀疏表示。

intercept_：形狀的浮點數或 ndarray (n_targets,)

決策函數中的獨立項。

n_iter_：int 或 int 列表

坐標下降求解器為達到指定容差而運行的迭代次數。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

注意：

用於擬合模型的算法是坐標下降。

為避免不必要的內存重複，fit 方法的 X 參數應直接作為 Fortran-contiguous numpy 數組傳遞。

例子：

>>> from sklearn import linear_model
>>> clf = linear_model.Lasso(alpha=0.1)
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
Lasso(alpha=0.1)
>>> print(clf.coef_)
[0.85 0.  ]
>>> print(clf.intercept_)
0.15...