多任務套索交叉驗證 (MultiTaskLassoCV)#

class sklearn.linear_model.MultiTaskLassoCV(*, eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, max_iter=1000, tol=0.0001, copy_X=True, cv=None, verbose=False, n_jobs=None, random_state=None, selection='cyclic')[來源]#

使用 L1/L2 混合範數作為正規化器的多任務 Lasso 模型。

請參閱交叉驗證估計器的詞彙表條目。

MultiTaskLasso 的最佳化目標為

(1 / (2 * n_samples)) * ||Y - XW||^Fro_2 + alpha * ||W||_21

其中

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

也就是每個列的範數總和。

在使用者指南中閱讀更多資訊。

於 0.15 版本新增。

參數:

epsfloat，預設值為 1e-3

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

n_alphasint，預設值為 100

沿正規化路徑的 alpha 數量。

alphasarray-like，預設值為 None

計算模型的 alpha 列表。如果未提供，則自動設定。

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，預期資料為中心化）。

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，最佳化程式碼會檢查對偶間隙是否達到最佳，並持續執行直到它小於 tol。

copy_Xbool，預設值為 True

如果 True，則會複製 X；否則，可能會覆寫它。

cvint、交叉驗證產生器或可迭代物件，預設值為 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，指定折數。
CV 分割器,
一個產生 (train, test) 分割作為索引陣列的可迭代物件。

對於 int/None 輸入，會使用 KFold。

請參考使用者指南，以了解此處可以使用的各種交叉驗證策略。

在 0.22 版本中變更：如果 cv 為 None，預設值從 3 折變更為 5 折。

verbosebool 或 int，預設值為 False

詳細程度。

n_jobsint，預設值為 None

交叉驗證期間要使用的 CPU 數量。請注意，只有在提供 l1_ratio 的多個值時才會使用此值。None 表示 1，除非在 joblib.parallel_backend 內容中。-1 表示使用所有處理器。請參閱詞彙表以了解更多詳細資訊。

random_stateint、RandomState 實例，預設值為 None

偽隨機數產生器的種子，用於選擇要更新的隨機特徵。當 selection == 'random' 時使用。傳遞一個 int 以在多個函式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一個隨機係數，而不是預設依序循環處理特徵。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: 決策函式中的獨立項。
coef_形狀為 (n_targets, n_features) 的 ndarray: 參數向量（成本函式公式中的 W）。請注意，coef_ 儲存 W 的轉置，W.T。
alpha_float: 交叉驗證選擇的懲罰量。
mse_path_形狀為 (n_alphas, n_folds) 的 ndarray: 每個折疊的測試集均方誤差，隨著 alpha 值變化。
alphas_形狀為 (n_alphas,) 的 ndarray: 用於擬合的 alpha 值網格。
n_iter_int: 坐標下降求解器為達到最佳 alpha 值的指定容差而運行的迭代次數。
dual_gap_float: 最佳 alpha 值優化結束時的對偶間隙。
n_features_in_int: 在 fit 期間看到的特徵數量。

在版本 0.24 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定義。

在版本 1.0 中加入。

另請參閱

MultiTaskElasticNet: 以 L1/L2 混合範數作為正規化器的多任務 ElasticNet 模型。
ElasticNetCV: 使用交叉驗證選擇最佳模型的 Elastic net 模型。
MultiTaskElasticNetCV: 具有內建交叉驗證的多任務 L1/L2 ElasticNet。

注意事項

用於擬合模型的演算法是坐標下降法。

在 fit 中，一旦通過交叉驗證找到最佳參數 alpha，就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 和 y 參數應直接作為 Fortran 相鄰的 numpy 陣列傳遞。

範例

>>> from sklearn.linear_model import MultiTaskLassoCV
>>> from sklearn.datasets import make_regression
>>> from sklearn.metrics import r2_score
>>> X, y = make_regression(n_targets=2, noise=4, random_state=0)
>>> reg = MultiTaskLassoCV(cv=5, random_state=0).fit(X, y)
>>> r2_score(y, reg.predict(X))
0.9994...
>>> reg.alpha_
np.float64(0.5713...)
>>> reg.predict(X[:1,])
array([[153.7971...,  94.9015...]])

fit(X, y, **params)[來源]#

使用坐標下降法擬合 MultiTaskLasso 模型。

擬合是在 alpha 值網格上進行，並通過交叉驗證估計最佳 alpha 值。

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。
**paramsdict，預設值為 None: 要傳遞給 CV 分割器的參數。

在版本 1.4 中加入：僅當 enable_metadata_routing=True 時才可用，可以使用 sklearn.set_config(enable_metadata_routing=True) 設定。有關詳細資訊，請參閱中繼資料路由使用者指南。

傳回值:

self物件: 傳回已擬合模型的實例。

get_metadata_routing()[來源]#

取得此物件的中繼資料路由。

請查看使用者指南，瞭解路由機制如何運作。

在版本 1.4 中加入。

傳回值:

routingMetadataRouter: 封裝路由資訊的 MetadataRouter。

get_params(deep=True)[來源]#

取得此估算器的參數。

參數:

deepbool，預設值為 True: 如果為 True，將傳回此估算器和所包含的子物件 (也是估算器) 的參數。

傳回值:

paramsdict: 參數名稱對應到其值的字典。

static path(X, y, *, 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, **params)[來源]#

使用坐標下降法計算 Lasso 路徑。

Lasso 優化函數對於單輸出和多輸出有所不同。

對於單輸出任務，它是

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

對於多輸出任務，它是

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

其中

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

也就是每個列的範數總和。

請參閱使用者指南以了解更多資訊。

參數:

X類陣列 (array-like) 或稀疏矩陣 (sparse matrix)，形狀為 (n_samples, n_features): 訓練資料。直接傳遞 Fortran 連續資料以避免不必要的記憶體重複。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 (sparse matrix)，形狀為 (n_samples,) 或 (n_samples, n_targets): 目標值。
epsfloat，預設值為 1e-3: 路徑長度。eps=1e-3 表示 alpha_min / alpha_max = 1e-3。
n_alphasint，預設值為 100: 沿正規化路徑的 alpha 數量。
alphasarray-like，預設值為 None: 計算模型的 alpha 值列表。如果為 None，則 alpha 值會自動設定。
precompute‘auto’、布林值 (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'，則由程式決定。Gram 矩陣也可以作為引數傳遞。
Xy類陣列 (array-like)，形狀為 (n_features,) 或 (n_features, n_targets)，預設值為 None: Xy = np.dot(X.T, y)，可以預先計算。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，可能會覆寫它。
coef_init類陣列 (array-like)，形狀為 (n_features, )，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_iter布林值 (bool)，預設值為 False: 是否返回迭代次數。
positive布林值 (bool)，預設值為 False: 如果設定為 True，則強制係數為正值。（僅當 y.ndim == 1 時允許）。
**paramskwargs: 傳遞給座標下降求解器的關鍵字引數。

傳回值:

alphasndarray，形狀為 (n_alphas,): 沿著路徑計算模型的 alpha 值。
coefsndarray，形狀為 (n_features, n_alphas) 或 (n_targets, n_features, n_alphas): 沿著路徑的係數。
dual_gapsndarray，形狀為 (n_alphas,): 每個 alpha 值優化結束時的對偶間隙。
n_itersint 的列表: 座標下降優化器達到每個 alpha 值指定容差所需的迭代次數。

另請參閱

lars_path: 使用 LARS 演算法計算最小角度迴歸或 Lasso 路徑。
Lasso: Lasso 是一種估計稀疏係數的線性模型。
LassoLars: 使用最小角度迴歸（又名 Lars）擬合 Lasso 模型。
LassoCV: Lasso 線性模型，沿著正規化路徑進行迭代擬合。
LassoLarsCV: 使用 LARS 演算法進行交叉驗證的 Lasso。
sklearn.decomposition.sparse_encode: 可用於將訊號轉換為固定原子稀疏線性組合的估算器。

注意事項

例如，請參閱 examples/linear_model/plot_lasso_lasso_lars_elasticnet_path.py。

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

請注意，在某些情況下，Lars 求解器可能更快地實現此功能。特別是，可以使用線性內插法來檢索 lars_path 輸出的值之間的模型係數。

範例

比較 lasso_path 和 lars_path 與內插法

>>> import numpy as np
>>> from sklearn.linear_model import lasso_path
>>> X = np.array([[1, 2, 3.1], [2.3, 5.4, 4.3]]).T
>>> y = np.array([1, 2, 3.1])
>>> # Use lasso_path to compute a coefficient path
>>> _, coef_path, _ = lasso_path(X, y, alphas=[5., 1., .5])
>>> print(coef_path)
[[0.         0.         0.46874778]
 [0.2159048  0.4425765  0.23689075]]

>>> # Now use lars_path and 1D linear interpolation to compute the
>>> # same path
>>> from sklearn.linear_model import lars_path
>>> alphas, active, coef_path_lars = lars_path(X, y, method='lasso')
>>> from scipy import interpolate
>>> coef_path_continuous = interpolate.interp1d(alphas[::-1],
...                                             coef_path_lars[:, ::-1])
>>> print(coef_path_continuous([5., 1., .5]))
[[0.         0.         0.46915237]
 [0.2159048  0.4425765  0.23668876]]

predict(X)[來源]#

使用線性模型進行預測。

參數:

X類陣列 (array-like) 或稀疏矩陣 (sparse matrix)，形狀為 (n_samples, n_features): 樣本。

傳回值:

C陣列，形狀為 (n_samples,): 返回預測值。

score(X, y, sample_weight=None)[來源]#

返回預測的決定係數。

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，並且可以是負數（因為模型可能會任意更差）。一個始終預測 y 的期望值而忽略輸入特徵的常數模型，將獲得 0.0 的 $R^2$ 分數。

參數:

X類陣列 (array-like)，形狀為 (n_samples, n_features): 測試樣本。對於某些估算器，這可能是一個預先計算的核矩陣或一個通用物件列表，形狀為 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是用於估算器擬合的樣本數量。
y類陣列 (array-like)，形狀為 (n_samples,) 或 (n_samples, n_outputs): X 的真實值。
sample_weight類陣列 (array-like)，形狀為 (n_samples,)，預設值為 None: 樣本權重。

傳回值:

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

注意事項

當對回歸器呼叫 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 = '$UNCHANGED$') → MultiTaskLassoCV[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）。請參閱使用者指南，了解路由機制的運作方式。

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，元估計器會引發錯誤。
str：中繼資料應該以指定的別名傳遞給元估計器，而不是原始名稱。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這讓您可以變更某些參數的請求，而不是其他參數的請求。

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 中使用。否則，它沒有任何效果。

參數:

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

傳回值:

self物件: 已更新的物件。

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）。後者具有 <component>__<parameter> 形式的參數，因此可以更新巢狀物件的每個組件。

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 = '$UNCHANGED$') → MultiTaskLassoCV[原始碼]#

請求傳遞給 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，了解路由機制的運作方式。

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，且元估計器不會將其傳遞給 score。
None：不請求中繼資料，如果使用者提供中繼資料，元估計器會引發錯誤。
str：中繼資料應該以指定的別名傳遞給元估計器，而不是原始名稱。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這讓您可以變更某些參數的請求，而不是其他參數的請求。

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 中使用。否則，它沒有任何效果。

參數:

sample_weightstr、True、False 或 None，預設值=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: 已更新的物件。