MultiTaskElasticNet#

class sklearn.linear_model.MultiTaskElasticNet(alpha=1.0, *, l1_ratio=0.5, fit_intercept=True, copy_X=True, max_iter=1000, tol=0.0001, warm_start=False, random_state=None, selection='cyclic')[原始碼]#

使用 L1/L2 混合範數作為正規化項訓練的多任務 ElasticNet 模型。

MultiTaskElasticNet 的最佳化目標是

(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)

即每列範數的總和。

在使用者指南中閱讀更多資訊。

參數:

alphafloat，預設值為 1.0: 乘以 L1/L2 項的常數。預設值為 1.0。
l1_ratiofloat，預設值為 0.5: ElasticNet 混合參數，其中 0 < l1_ratio <= 1。當 l1_ratio = 1 時，懲罰為 L1/L2 懲罰。當 l1_ratio = 0 時，懲罰為 L2 懲罰。對於 0 < l1_ratio < 1，懲罰是 L1/L2 和 L2 的組合。
fit_interceptbool，預設值為 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，預期數據是置中的）。
copy_Xbool，預設值為 True: 如果 True，則會複製 X；否則，可能會被覆寫。
max_iterint，預設值為 1000: 最大迭代次數。
tolfloat，預設值為 1e-4: 最佳化的容差：如果更新小於 tol，則最佳化程式碼會檢查對偶間隙是否達到最佳狀態，並持續執行直到其小於 tol。
warm_startbool，預設值為 False: 當設定為 True 時，重複使用先前呼叫的解來作為初始化，否則，只會清除先前的解。請參閱詞彙表。
random_stateint，RandomState 實例，預設值為 None: 選擇要更新的隨機特徵的虛擬隨機數產生器的種子。當 selection == ‘random’ 時使用。傳遞一個 int 以便在多個函數呼叫中產生可重複的輸出。請參閱詞彙表。
selection{‘cyclic’、‘random’}，預設值為 ‘cyclic’: 如果設定為 ‘random’，則每次迭代都會更新隨機係數，而不是預設依序循環特徵。這（設定為 ‘random’）通常會導致顯著更快的收斂，尤其是在 tol 高於 1e-4 時。

屬性:

intercept_形狀為 (n_targets,) 的 ndarray: 決策函數中的獨立項。
coef_形狀為 (n_targets, n_features) 的 ndarray: 參數向量（成本函數公式中的 W）。如果在 fit 時傳入 1D y（非多任務使用），則 coef_ 會是 1D 陣列。請注意，coef_ 儲存 W 的轉置，即 W.T。
n_iter_int: 座標下降求解器執行以達到指定容差的迭代次數。
dual_gap_float: 最佳化結束時的對偶間隙。
eps_float: 目標 y 的變異數縮放後的容差。
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: 在 fit 期間看到的特徵數量。

在 0.24 版中加入。
feature_names_in_形狀為 (n_features_in_,) 的 ndarray: 在 fit 期間看到的特徵名稱。僅當 X 具有全部為字串的特徵名稱時，才會定義。

在 1.0 版中加入。

另請參閱

MultiTaskElasticNetCV: 具有內建交叉驗證的多任務 L1/L2 ElasticNet。
ElasticNet: 以結合 L1 和 L2 先驗作為正規化項的線性迴歸。
MultiTaskLasso: 使用 L1/L2 混合範數作為正規化項訓練的多任務 Lasso 模型。

註解

用於擬合模型的演算法是座標下降。

為了避免不必要的記憶體重複，fit 方法的 X 和 y 引數應直接作為 Fortran 相鄰的 numpy 陣列傳遞。

範例

>>> from sklearn import linear_model
>>> clf = linear_model.MultiTaskElasticNet(alpha=0.1)
>>> clf.fit([[0,0], [1, 1], [2, 2]], [[0, 0], [1, 1], [2, 2]])
MultiTaskElasticNet(alpha=0.1)
>>> print(clf.coef_)
[[0.45663524 0.45612256]
 [0.45663524 0.45612256]]
>>> print(clf.intercept_)
[0.0872422 0.0872422]

fit(X, y)[原始碼]#

使用座標下降擬合 MultiTaskElasticNet 模型。

參數:

X形狀為 (n_samples, n_features) 的 ndarray: 資料。
y形狀為 (n_samples, n_targets) 的 ndarray: 目標。如有必要，將強制轉換為 X 的 dtype。

傳回:

self物件: 已擬合的估計器。

註解

座標下降是一種一次考慮一欄資料的演算法，因此如有必要，它會自動將 X 輸入轉換為 Fortran 相鄰的 numpy 陣列。

為了避免記憶體重新配置，建議直接使用該格式在記憶體中配置初始資料。

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。

傳回:

routingMetadataRequest: 封裝路由資訊的MetadataRequest。

get_params(deep=True)[原始碼]#

取得此估算器（estimator）的參數。

參數:

deepbool，預設值為 True: 若為 True，將會回傳此估算器以及包含的子物件（也是估算器）的參數。

傳回:

paramsdict: 參數名稱對應到其值的字典。

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。

單一輸出和多重輸出的彈性網路最佳化函數不同。

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

對於多重輸出任務，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類陣列（array-like）或稀疏矩陣，形狀為 (n_samples, n_features): 訓練資料。直接傳遞為 Fortran 連續資料，以避免不必要的記憶體複製。如果 y 是單一輸出，則 X 可以是稀疏矩陣。
y類陣列（array-like）或稀疏矩陣，形狀為 (n_samples,) 或 (n_samples, n_targets): 目標值。
l1_ratiofloat，預設值為 0.5: 在彈性網路中傳遞的介於 0 和 1 之間的數字（l1 和 l2 懲罰之間的縮放）。l1_ratio=1 對應到 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（array-like），預設值為 None: 計算模型的 alpha 列表。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（array-like），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（array-like），預設值為 None: 可以預先計算的 Xy = np.dot(X.T, y)。僅當預先計算 Gram 矩陣時才有用。
copy_Xbool，預設值為 True: 如果 True，則會複製 X；否則，可能會被覆寫。
coef_init形狀為 (n_features, ) 的類陣列（array-like），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: 是否回傳迭代次數。
positivebool，預設值為 False: 如果設定為 True，則強制係數為正數。（僅當 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: 傳遞給座標下降解算器的關鍵字引數。

傳回:

alphas形狀為 (n_alphas,) 的 ndarray: 計算模型的路徑上的 alpha 值。
coefs形狀為 (n_features, n_alphas) 或 (n_targets, n_features, n_alphas) 的 ndarray: 沿路徑的係數。
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 指定容差所用的迭代次數。（當 return_n_iter 設定為 True 時回傳）。

另請參閱

MultiTaskElasticNet: 使用 L1/L2 混合範數作為正規化項訓練的多任務 ElasticNet 模型。
MultiTaskElasticNetCV: 具有內建交叉驗證的多任務 L1/L2 ElasticNet。
ElasticNet: 以結合 L1 和 L2 先驗作為正規化項的線性迴歸。
ElasticNetCV: 沿著正規化路徑進行迭代擬合的彈性網路模型。

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（array-like）或稀疏矩陣，形狀為 (n_samples, n_features): 樣本。

傳回:

C陣列，形狀為 (n_samples,): 回傳預測值。

score(X, y, sample_weight=None)[原始碼]#

回傳預測的決定係數。

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，且可以為負數（因為模型可能任意更差）。始終預測 y 的期望值（忽略輸入特徵）的恆定模型將獲得 0.0 的 $R^2$ 分數。

參數:

X形狀為 (n_samples, n_features) 的類陣列（array-like）: 測試樣本。對於某些估算器，這可能是預先計算的核矩陣或形狀為 (n_samples, n_samples_fitted) 的通用物件列表，其中 n_samples_fitted 是估算器擬合中使用的樣本數。
y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列（array-like）: X 的真實值。
sample_weight形狀為 (n_samples,) 的類陣列（array-like），預設值為 None: 樣本權重。

傳回:

scorefloat: self.predict(X) 相對於 y 的 $R^2$。

註解

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

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

要求傳遞給 fit 方法的中繼資料。

請注意，此方法僅在 enable_metadata_routing=True 時才相關（請參閱 sklearn.set_config）。請參閱使用者指南，瞭解路由機制如何運作。

每個參數的選項為

True：要求提供元數據，並在提供時傳遞給 fit。如果未提供元數據，則會忽略此請求。
False：不要求提供元數據，並且元估計器不會將其傳遞給 fit。
None：不要求提供元數據，如果使用者提供元數據，元估計器會引發錯誤。
str：元數據應使用此給定的別名而不是原始名稱傳遞給元估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這允許您更改某些參數的請求，而不更改其他參數的請求。

在 1.3 版本中新增。

注意

只有當此估計器用作元估計器的子估計器時，此方法才相關，例如在 Pipeline 內使用。否則它不會產生任何影響。

參數:

sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED: fit 中 sample_weight 參數的元數據路由。

傳回:

self物件: 更新後的物件。

set_params(**params)[source]#

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:

**paramsdict: 估計器參數。

傳回:

self估計器實例: 估計器實例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiTaskElasticNet[source]#

請求傳遞到 score 方法的元數據。

請注意，此方法僅在 enable_metadata_routing=True 時才相關（請參閱 sklearn.set_config）。請參閱使用者指南，瞭解路由機制如何運作。

每個參數的選項為

True：要求提供元數據，並在提供時傳遞給 score。如果未提供元數據，則會忽略此請求。
False：不要求提供元數據，並且元估計器不會將其傳遞給 score。
None：不要求提供元數據，如果使用者提供元數據，元估計器會引發錯誤。
str：元數據應使用此給定的別名而不是原始名稱傳遞給元估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這允許您更改某些參數的請求，而不更改其他參數的請求。

在 1.3 版本中新增。

注意

只有當此估計器用作元估計器的子估計器時，此方法才相關，例如在 Pipeline 內使用。否則它不會產生任何影響。

參數:

sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED: score 中 sample_weight 參數的元數據路由。

傳回:

self物件: 更新後的物件。

property sparse_coef_#: 擬合 coef_ 的稀疏表示。