多任務 Lasso (MultiTaskLasso)#
- class sklearn.linear_model.MultiTaskLasso(alpha=1.0, *, 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器的多任務 Lasso 模型。
Lasso 的優化目標為
(1 / (2 * n_samples)) * ||Y - XW||^2_Fro + alpha * ||W||_21
其中
||W||_21 = \sum_i \sqrt{\sum_j w_{ij}^2}
即，每一列的範數總和。
請參閱使用者指南以了解更多資訊。
- 參數:
- alphafloat，預設值=1.0
乘以 L1/L2 項的常數。預設值為 1.0。
- fit_interceptbool，預設值=True
是否計算此模型的截距。若設定為 false，則計算中將不使用截距（即，預期資料已置中）。
- copy_Xbool，預設值=True
若
True，則將複製 X；否則，可能會覆寫 X。- max_iterint，預設值=1000
最大迭代次數。
- tolfloat，預設值=1e-4
優化的容差：若更新小於
tol，則優化程式碼會檢查對偶間隙是否最佳，並持續執行直到小於tol為止。- warm_startbool，預設值=False
當設定為
True時，將重複使用先前呼叫 fit 的解決方案作為初始化，否則，將清除先前的解決方案。請參閱詞彙表。- random_stateint, RandomState 實例，預設值=None
用於選取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。傳入 int 可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=‘cyclic’
若設定為 ‘random’，則每次迭代都會更新隨機係數，而不是預設循序迴圈處理特徵。此設定（設定為 ‘random’）通常會顯著加快收斂速度，尤其當 tol 高於 1e-4 時。
- 屬性:
- coef_形狀為 (n_targets, n_features) 的 ndarray
參數向量（成本函數公式中的 W）。請注意，
coef_儲存W的轉置，W.T。- intercept_形狀為 (n_targets,) 的 ndarray
決策函數中的獨立項。
- n_iter_int
座標下降解算器為達到指定的容差而執行的迭代次數。
- dual_gap_形狀為 (n_alphas,) 的 ndarray
每個 alpha 的優化結束時的對偶間隙。
- eps_float
以目標
y的變異數縮放的容差。sparse_coef_形狀為 (n_features,) 或 (n_targets, n_features) 的稀疏矩陣已擬合的
coef_的稀疏表示法。- n_features_in_int
在擬合期間看到的特徵數量。
在 0.24 版本中新增。
- feature_names_in_形狀為 (
n_features_in_,) 的 ndarray 在擬合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定義。在 1.0 版本中新增。
另請參閱
Lasso以 L1 先驗作為正規化器訓練的線性模型（又名 Lasso）。
MultiTaskLassoCV具有內建交叉驗證的多任務 L1 正規化線性模型。
MultiTaskElasticNetCV具有內建交叉驗證的多任務 L1/L2 ElasticNet。
附註
用於擬合模型的演算法是座標下降法。
為避免不必要的記憶體重複，fit 方法的 X 和 y 引數應直接以 Fortran 連續的 NumPy 陣列傳遞。
範例
>>> 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]
- fit(X, y)[原始碼]#
使用座標下降法擬合 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，將轉換為 X 的 dtype。
- 傳回值:
- self物件
已擬合的估算器。
附註
座標下降法是一種每次只考慮資料一列的演算法，因此如有必要，會自動將 X 輸入轉換為 Fortran 連續的 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。
請查看使用者指南，了解路由機制的運作方式。
- 傳回值:
- routingMetadataRequest
封裝路由資訊的
MetadataRequest。
- get_params(deep=True)[原始碼]#
取得此估算器的參數。
- 參數:
- deepbool，預設值=True
若為 True，將會回傳此估算器以及包含的子物件（亦為估算器）的參數。
- 傳回值:
- paramsdict
參數名稱對應其值的字典。
- 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。
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，每一列的範數總和。
請參閱使用者指南以取得更多資訊。
- 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重複複製。如果
y是單輸出，則X可以是稀疏的。- 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=0.5
介於 0 和 1 之間的數字，傳遞給彈性網路（l1 和 l2 懲罰之間的縮放）。
l1_ratio=1對應於 Lasso。- epsfloat，預設值=1e-3
路徑的長度。
eps=1e-3表示alpha_min / alpha_max = 1e-3。- n_alphasint，預設值=100
沿著正規化路徑的 alpha 數量。
- alphas類陣列 (array-like)，預設值=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=’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=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=True
若
True，則將複製 X；否則，可能會覆寫 X。- coef_init形狀為 (n_features, ) 的類陣列 (array-like)，預設值=None
係數的初始值。
- verbosebool 或 int，預設值=False
詳細程度。
- return_n_iterbool，預設值=False
是否回傳迭代次數。
- positivebool，預設值=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=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
傳遞給座標下降求解器的關鍵字參數。
- 傳回值:
- alphas形狀為 (n_alphas,) 的 ndarray
計算模型路徑上的 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 的優化結束時的對偶間隙。
- n_itersint 列表
座標下降最佳化器達到每個 alpha 指定容差所需的迭代次數。（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 ElasticNet。
ElasticNet使用 L1 和 L2 先驗組合作為正規化器的線性回歸。
ElasticNetCV沿著正規化路徑進行迭代擬合的彈性網路模型。
附註
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。
- 傳回值:
- 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()。最佳分數為 1.0，且可能為負值 (因為模型可能任意地更差)。一個總是預測y的期望值的常數模型，不考慮輸入特徵，會得到 \(R^2\) 分數 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，或是一個形狀為
(n_samples, n_samples_fitted)的通用物件列表，其中n_samples_fitted是估計器擬合時使用的樣本數量。- 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,)，預設為 None
樣本權重。
- 傳回值:
- scorefloat
self.predict(X)相對於y的 \(R^2\) 值。
附註
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'，以保持與r2_score的預設值一致。這會影響所有多輸出迴歸器的score方法（除了MultiOutputRegressor之外）。
- set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') MultiTaskLasso[原始碼]#
請求傳遞給
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)。 請參閱關於路由機制如何運作的使用者指南。每個參數的選項為：
True：請求中繼資料，如果提供則傳遞給fit。如果未提供中繼資料，則忽略該請求。False：不請求中繼資料，並且元估計器不會將其傳遞給fit。None：不請求中繼資料，如果使用者提供中繼資料，則元估計器會引發錯誤。str：中繼資料應該使用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) 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。否則它沒有任何效果。- 參數:
- sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED
fit中的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。
此方法適用於簡單估計器以及巢狀物件（例如
Pipeline）。後者具有<component>__<parameter>形式的參數，因此可以更新巢狀物件的每個元件。- 參數:
- **paramsdict
估計器參數。
- 傳回值:
- self估計器實例
估計器實例。
- set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') MultiTaskLasso[原始碼]#
請求傳遞至
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)。 請參閱關於路由機制如何運作的使用者指南。每個參數的選項為：
True：請求中繼資料，並在提供時傳遞至score。如果未提供中繼資料，則會忽略此請求。False：不請求中繼資料，且元估計器不會將其傳遞至score。None：不請求中繼資料，如果使用者提供中繼資料，則元估計器會引發錯誤。str：中繼資料應該使用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) 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。否則它沒有任何效果。- 參數:
- sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED
用於
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。
- 屬性 sparse_coef_#
已擬合的
coef_的稀疏表示法。
