enet_path#
- 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)[source]#
使用座標下降法計算彈性網路路徑。
彈性網路最佳化函數會因單輸出和多輸出而異。
對於單輸出任務，它是
1 / (2 * n_samples) * ||y - Xw||^2_2 + alpha * l1_ratio * ||w||_1 + 0.5 * alpha * (1 - l1_ratio) * ||w||^2_2
對於多輸出任務，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}
即每個列的範數總和。
請參閱使用者指南以了解更多資訊。
- 參數:
- X形狀為 (n_samples, n_features) 的類陣列或稀疏矩陣
訓練資料。直接以 Fortran 連續資料傳遞，以避免不必要的記憶體複製。如果
y是單輸出，則X可以是稀疏矩陣。- y形狀為 (n_samples,) 或 (n_samples, n_targets) 的類陣列或稀疏矩陣
目標值。
- l1_ratiofloat，預設值為 0.5
傳遞給彈性網路的介於 0 和 1 之間的數字（l1 和 l2 懲罰之間的縮放）。
l1_ratio=1對應於 Lasso。- epsfloat，預設值為 1e-3
路徑的長度。
eps=1e-3表示alpha_min / alpha_max = 1e-3。- n_alphasint，預設值為 100
沿著正規化路徑的 alpha 數量。
- alphas類陣列，預設值為 None
要計算模型的 alpha 清單。如果為 None，則會自動設定 alpha。
- precompute‘auto’、bool 或形狀為 (n_features, n_features) 的類陣列，預設值為 ‘auto’
是否使用預先計算的 Gram 矩陣來加速計算。如果設定為
'auto'，則由我們決定。Gram 矩陣也可以作為參數傳遞。- Xy形狀為 (n_features,) 或 (n_features, n_targets) 的類陣列，預設值為 None
可以預先計算的 Xy = np.dot(X.T, y)。僅在預先計算 Gram 矩陣時才有用。
- copy_Xbool，預設值為 True
如果為
True，則會複製 X；否則，可能會覆寫 X。- coef_init形狀為 (n_features, ) 的類陣列，預設值為 None
係數的初始值。
- verbosebool 或 int，預設值為 False
詳細程度。
- return_n_iterbool，預設值為 False
是否傳回迭代次數。
- positivebool，預設值為 False
如果設定為 True，則會強制係數為正數。（僅在
y.ndim == 1時允許）。- check_inputbool，預設值為 True
如果設定為 False，則會跳過輸入驗證檢查（包括提供的 Gram 矩陣）。假設它們由呼叫者處理。
- **paramskwargs
傳遞至座標下降求解器的關鍵字引數。
- 傳回值:
- alphas形狀為 (n_alphas,) 的 ndarray
沿著計算模型的路徑的 alpha 值。
- coefs形狀為 (n_features, n_alphas) 或 (n_targets, n_features, n_alphas) 的 ndarray
沿著路徑的係數。
- dual_gaps形狀為 (n_alphas,) 的 ndarray
每個 alpha 最佳化結束時的對偶間隙。
- n_itersint 的清單
座標下降最佳化器達到每個 alpha 指定容差所採取的迭代次數。（當
return_n_iter設定為 True 時傳回）。
另請參閱
MultiTaskElasticNet使用 L1/L2 混合範數作為正規化器的多任務彈性網路模型。
MultiTaskElasticNetCV具有內建交叉驗證的多任務 L1/L2 彈性網路。
ElasticNet結合 L1 和 L2 先驗作為正規化器的線性迴歸。
ElasticNetCV沿著正規化路徑進行迭代擬合的彈性網路模型。
附註
如需範例，請參閱examples/linear_model/plot_lasso_lasso_lars_elasticnet_path.py。
範例
>>> from sklearn.linear_model import enet_path >>> from sklearn.datasets import make_regression >>> X, y, true_coef = make_regression( ... n_samples=100, n_features=5, n_informative=2, coef=True, random_state=0 ... ) >>> true_coef array([ 0. , 0. , 0. , 97.9..., 45.7...]) >>> alphas, estimated_coef, _ = enet_path(X, y, n_alphas=3) >>> alphas.shape (3,) >>> estimated_coef array([[ 0. , 0.78..., 0.56...], [ 0. , 1.12..., 0.61...], [-0. , -2.12..., -1.12...], [ 0. , 23.04..., 88.93...], [ 0. , 10.63..., 41.56...]])
