Python sklearn MultiTaskLasso用法及代碼示例

本文簡要介紹python語言中 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 作為正則化器訓練的多任務 Lasso 模型。

Lasso 的優化目標是：

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

其中：

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

即每行的範數之和。

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/L2 項的常數。默認為 1.0。

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 。

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，重用先前調用的解決方案以適合作為初始化，否則，隻需擦除先前的解決方案。請參閱詞匯表。

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_targets，n_features)

參數向量(成本函數公式中的 W)。請注意，coef_ 存儲了 W 、 W.T 的轉置。

intercept_：ndarray 形狀 (n_targets,)

決策函數中的獨立項。

n_iter_：int

坐標下降求解器為達到指定容差而運行的迭代次數。

dual_gap_：ndarray 形狀 (n_alphas,)

每個 alpha 優化結束時的對偶間隙。

eps_：浮點數

公差按目標 y 的方差縮放。

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

擬合 coef_ 的稀疏表示。

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 和 y 參數應直接作為 Fortran-contiguous numpy 數組傳遞。

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]