ElasticNetCV#

class sklearn.linear_model.ElasticNetCV(*, l1_ratio=0.5, eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, precompute='auto', max_iter=1000, tol=0.0001, cv=None, copy_X=True, verbose=0, n_jobs=None, positive=False, random_state=None, selection='cyclic')[原始碼]#

彈性網路模型，沿著正規化路徑進行迭代擬合。

請參閱交叉驗證估計器的詞彙條目。

請在使用者指南中閱讀更多資訊。

參數:

l1_ratiofloat 或 float 列表, default=0.5

介於 0 和 1 之間的浮點數，傳遞給 ElasticNet (L1 和 L2 懲罰之間的縮放)。當 l1_ratio = 0 時，懲罰為 L2 懲罰。當 l1_ratio = 1 時，懲罰為 L1 懲罰。當 0 < l1_ratio < 1 時，懲罰是 L1 和 L2 的組合。此參數可以是列表，在這種情況下，將透過交叉驗證測試不同的值，並使用給出最佳預測分數的值。請注意，對於 l1_ratio 的值列表來說，一個好的選擇通常是放置更多接近 1 (即 Lasso) 的值，而較少接近 0 (即 Ridge) 的值，例如 [.1, .5, .7, .9, .95, .99, 1]。

epsfloat, default=1e-3

路徑長度。 eps=1e-3 表示 alpha_min / alpha_max = 1e-3。

n_alphasint, default=100

沿著正規化路徑的 alpha 數量，用於每個 l1_ratio。

alphasarray-like, default=None

計算模型的 alpha 列表。如果為 None，則會自動設定 alpha。

fit_interceptbool, default=True

是否計算此模型的截距。如果設定為 false，則計算中不會使用截距 (即預期資料是居中的)。

precompute‘auto’, bool 或 shape 為 (n_features, n_features) 的 array-like, default=‘auto’

是否使用預先計算的格拉姆矩陣來加速計算。如果設定為 'auto'，則由我們決定。格拉姆矩陣也可以作為參數傳遞。

max_iterint, default=1000

最大迭代次數。

tolfloat, default=1e-4

優化的容差: 如果更新小於 tol，則優化程式碼會檢查對偶間隙是否為最佳，並繼續執行直到小於 tol。

cvint, 交叉驗證產生器或可迭代物件, default=None

決定交叉驗證分割策略。 cv 的可能輸入為

None，使用預設的 5 折交叉驗證。
int，指定摺疊次數。
CV 分割器,
一個產生 (訓練, 測試) 分割作為索引陣列的可迭代物件。

對於 int/None 輸入，將使用 KFold。

請參閱使用者指南，了解此處可使用的各種交叉驗證策略。

在 0.22 版本中變更: 如果為 None，cv 的預設值從 3 折變為 5 折。

copy_Xbool, default=True

如果 True，則會複製 X；否則，可能會覆寫它。

verbosebool 或 int, default=0

訊息量。

n_jobsint, default=None

交叉驗證期間要使用的 CPU 數量。 None 表示 1，除非在 joblib.parallel_backend 環境中。 -1 表示使用所有處理器。有關更多詳細資訊，請參閱詞彙表。

positivebool, default=False

當設定為 True 時，強制係數為正數。

random_stateint, RandomState 實例, default=None

選擇要更新的隨機特徵的偽隨機數產生器的種子。當 selection == 'random' 時使用。傳遞一個 int 以便在多個函式呼叫之間獲得可重現的輸出。請參閱詞彙表。

selection{‘cyclic’, ‘random’}, default=‘cyclic’

如果設定為 'random'，則每次迭代都會更新一個隨機係數，而不是預設按順序循環處理特徵。這 (設定為 'random') 通常會導致顯著更快的收斂速度，特別是當 tol 高於 1e-4 時。

屬性:

alpha_float: 交叉驗證選擇的懲罰量。
l1_ratio_float: 交叉驗證選擇的 L1 和 L2 懲罰之間的權衡。
coef_shape 為 (n_features,) 或 (n_targets, n_features) 的 ndarray: 參數向量 (成本函式公式中的 w)。
intercept_float 或 shape 為 (n_targets, n_features) 的 ndarray: 決策函式中的獨立項。
mse_path_shape 為 (n_l1_ratio, n_alpha, n_folds) 的 ndarray: 測試集中每個摺疊的均方誤差，變化 l1_ratio 和 alpha。
alphas_shape 為 (n_alphas,) 或 (n_l1_ratio, n_alphas) 的 ndarray: 用於擬合的 alpha 格網，針對每個 l1_ratio。
dual_gap_float: 最佳 alpha 優化結束時的對偶間隙。
n_iter_int: 座標下降求解器為達到最佳 alpha 的指定容差而運行的迭代次數。
n_features_in_int: 在 fit 期間看到的特徵數量。

於 0.24 版本新增。
feature_names_in_形狀為 (n_features_in_,) 的 ndarray: 在 fit 期間看到的特徵名稱。僅在 X 具有全為字串的特徵名稱時定義。

於 1.0 版本新增。

另請參閱

enet_path: 使用座標下降法計算彈性網路路徑。
ElasticNet: 使用 L1 和 L2 先驗組合作為正規化器的線性迴歸。

註解

在 fit 中，一旦透過交叉驗證找到最佳參數 l1_ratio 和 alpha，則會使用整個訓練集再次擬合模型。

為了避免不必要的記憶體重複，fit 方法的 X 參數應該直接作為 Fortran 相鄰的 NumPy 陣列傳遞。

參數 l1_ratio 對應於 glmnet R 套件中的 alpha，而 alpha 對應於 glmnet 中的 lambda 參數。更具體地說，最佳化目標是

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

如果您有興趣單獨控制 L1 和 L2 懲罰，請記住這等效於

a * L1 + b * L2

對於

alpha = a + b and l1_ratio = a / (a + b).

有關範例，請參閱 examples/linear_model/plot_lasso_model_selection.py。

範例

>>> from sklearn.linear_model import ElasticNetCV
>>> from sklearn.datasets import make_regression

>>> X, y = make_regression(n_features=2, random_state=0)
>>> regr = ElasticNetCV(cv=5, random_state=0)
>>> regr.fit(X, y)
ElasticNetCV(cv=5, random_state=0)
>>> print(regr.alpha_)
0.199...
>>> print(regr.intercept_)
0.398...
>>> print(regr.predict([[0, 0]]))
[0.398...]

fit(X, y, sample_weight=None, **params)[原始碼]#

使用座標下降法擬合 ElasticNet 模型。

擬合是在 alpha 的網格上進行的，並且最佳 alpha 是透過交叉驗證估算的。

參數:

X形狀為 (n_samples, n_features) 的類陣列、稀疏矩陣: 訓練資料。直接以 Fortran 相鄰的資料傳遞，以避免不必要的記憶體重複。如果 y 是單一輸出，則 X 可以是稀疏的。請注意，不接受需要 int64 索引的大型稀疏矩陣和陣列。
y形狀為 (n_samples,) 的類陣列: 目標值。
sample_weightfloat 或形狀為 (n_samples,) 的類陣列，預設值為 None: 用於擬合和評估每個 cv 折疊的加權均方誤差的樣本權重。請注意，最終用於尋找最佳模型的交叉驗證 MSE 是每個測試折疊的（加權）MSE 的未加權平均值。
**paramsdict，預設值為 None: 要傳遞給 CV 分割器的參數。

於 1.4 版本新增：僅在 enable_metadata_routing=True 時可用，可以使用 sklearn.set_config(enable_metadata_routing=True) 設定。有關詳細資訊，請參閱 Metadata Routing 使用者指南。

傳回值:

self物件: 傳回已擬合模型的實例。

get_metadata_routing()[原始碼]#

取得此物件的中繼資料路由。

請檢查使用者指南，了解路由機制如何運作。

於 1.4 版本新增。

傳回值:

routingMetadataRouter: 一個封裝路由資訊的 MetadataRouter。

get_params(deep=True)[原始碼]#

取得此估算器的參數。

參數:

deepbool，預設值為 True: 如果為 True，將傳回此估算器的參數和包含的子物件，這些子物件是估算器。

傳回值:

paramsdict: 參數名稱對應到它們的值。

static 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)[原始碼]#

使用座標下降法計算彈性網路路徑。

彈性網路的最佳化函數對於單一輸出和多個輸出有所不同。

對於單一輸出任務，它是

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

對於多個輸出任務，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。

請在使用者指南中閱讀更多資訊。

參數:

X形狀為 (n_samples, n_features) 的類陣列、稀疏矩陣: 訓練資料。直接以 Fortran 相鄰的資料傳遞，以避免不必要的記憶體重複。如果 y 是單一輸出，則 X 可以是稀疏的。
y形狀為 (n_samples,) 或 (n_samples, n_targets) 的類陣列、稀疏矩陣: 目標值。
l1_ratiofloat，預設值為 0.5: 傳遞給彈性網路的 0 到 1 之間的數字（l1 和 l2 懲罰之間的縮放）。l1_ratio=1 對應於 Lasso。
epsfloat, default=1e-3: 路徑長度。 eps=1e-3 表示 alpha_min / alpha_max = 1e-3。
n_alphasint, default=100: 沿正規化路徑的 alpha 數量。
alphasarray-like, default=None: 計算模型的 alpha 列表。如果為 None，則會自動設定 alpha。
precompute‘auto’, bool 或 shape 為 (n_features, n_features) 的 array-like, default=‘auto’: 是否使用預先計算的格拉姆矩陣來加速計算。如果設定為 'auto'，則由我們決定。格拉姆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)。僅在預先計算格拉姆矩陣時才有用。
copy_Xbool, default=True: 如果 True，則會複製 X；否則，可能會覆寫它。
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: 訊息量。
return_n_iterbool，預設值為 False: 是否傳回迭代次數。
positivebool, default=False: 如果設定為 True，則強制係數為正數。（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（包括提供的格拉姆矩陣）。假設它們由呼叫者處理。
**paramskwargs: 傳遞給座標下降求解器的關鍵字引數。

傳回值:

alphas形狀為 (n_alphas,) 的 ndarray: 沿著計算模型路徑的 alpha。
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 的最佳化結束時的對偶間隙。
n_itersint 的列表: 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訓練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: 使用 L1 和 L2 先驗組合作為正規化器的線性迴歸。
ElasticNetCV: 彈性網路模型，沿著正規化路徑進行迭代擬合。

註解

有關範例，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...]])

predict(X)[原始碼]#

使用線性模型進行預測。

參數:

X類陣列或稀疏矩陣，形狀為 (n_samples, n_features): 樣本。

傳回值:

C陣列，形狀為 (n_samples,): 傳回預測值。

score(X, y, sample_weight=None)[原始碼]#

傳回預測的決定係數。

決定係數 $R^2$ 定義為 $(1 - \frac{u}{v})$，其中 $u$ 是殘差平方和 ((y_true - y_pred)** 2).sum()，而 $v$ 是總平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳可能分數為 1.0，且可能為負值（因為模型可能任意更差）。一個總是預測 y 的期望值，而忽略輸入特徵的常數模型，其 $R^2$ 分數為 0.0。

參數:

X類陣列，形狀為 (n_samples, n_features): 測試樣本。對於某些估計器，這可能是一個預先計算的核矩陣或通用物件列表，其形狀為 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是估計器擬合時使用的樣本數。
y類陣列，形狀為 (n_samples,) 或 (n_samples, n_outputs): X 的真實值。
sample_weight類陣列，形狀為 (n_samples,)，預設值為 None: 樣本權重。

傳回值:

score浮點數: self.predict(X) 相對於 y 的 $R^2$ 值。

註解

當在迴歸器上呼叫 score 時使用的 $R^2$ 分數，從 0.23 版開始使用 multioutput='uniform_average'，以與 r2_score 的預設值保持一致。這會影響所有多輸出迴歸器的 score 方法（除了 MultiOutputRegressor）。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → ElasticNetCV[原始碼]#

請求傳遞到 fit 方法的中繼資料。

請注意，只有在 enable_metadata_routing=True 時，此方法才相關（請參閱 sklearn.set_config）。請參閱使用者指南，了解路由機制如何運作。

每個參數的選項為

True：請求中繼資料，並在提供時傳遞給 fit。如果未提供中繼資料，則會忽略該請求。
False：不請求中繼資料，且 meta-estimator 不會將其傳遞給 fit。
None：不請求中繼資料，且如果使用者提供中繼資料，meta-estimator 會引發錯誤。
str：中繼資料應該以給定的別名（而不是原始名稱）傳遞給 meta-estimator。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 保留現有的請求。這讓您可以變更某些參數的請求，而其他參數則不變。

在 1.3 版中新增。

注意

只有當此估計器用作 meta-estimator 的子估計器時，此方法才相關，例如在 Pipeline 中使用。否則，它沒有任何效果。

參數:

sample_weight字串、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED: fit 中 sample_weight 參數的中繼資料路由。

傳回值:

self物件: 更新後的物件。

set_params(**params)[原始碼]#

設定此估計器的參數。

此方法適用於簡單的估計器以及巢狀物件（例如 Pipeline）。後者的參數形式為 <component>__<parameter>，因此可以更新巢狀物件的每個元件。

參數:

**params字典: 估計器參數。

傳回值:

self估計器實例: 估計器實例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → ElasticNetCV[原始碼]#

請求傳遞到 score 方法的中繼資料。

請注意，只有在 enable_metadata_routing=True 時，此方法才相關（請參閱 sklearn.set_config）。請參閱使用者指南，了解路由機制如何運作。

每個參數的選項為

True：請求中繼資料，並在提供時傳遞給 score。如果未提供中繼資料，則會忽略該請求。
False：不請求中繼資料，且 meta-estimator 不會將其傳遞給 score。
None：不請求中繼資料，且如果使用者提供中繼資料，meta-estimator 會引發錯誤。
str：中繼資料應該以給定的別名（而不是原始名稱）傳遞給 meta-estimator。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 保留現有的請求。這讓您可以變更某些參數的請求，而其他參數則不變。

在 1.3 版中新增。

注意

只有當此估計器用作 meta-estimator 的子估計器時，此方法才相關，例如在 Pipeline 中使用。否則，它沒有任何效果。

參數:

sample_weight字串、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED: score 中 sample_weight 參數的中繼資料路由。

傳回值:

self物件: 更新後的物件。

範例展示#

稀疏訊號的基於 L1 的模型