Lasso#

class sklearn.linear_model.Lasso(alpha=1.0, *, fit_intercept=True, precompute=False, copy_X=True, max_iter=1000, tol=0.0001, warm_start=False, positive=False, random_state=None, selection='cyclic')[源代码]#

线性模型之前使用L1作为正规化器（又名Lasso）进行训练。

Lasso的优化目标是：

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

从技术上讲，Lasso模型正在优化与弹性网络相同的目标函数， l1_ratio=1.0 (no L2处罚）。

阅读更多的 User Guide .

参数:

alphafloat，默认=1.0

乘以L1项的常数，控制规则化强度。 alpha 必须是非负浮动，即在 [0, inf) .

当 alpha = 0 ，目标等效于普通最小平方，由 LinearRegression object.由于数字原因，使用 alpha = 0 与 Lasso 不建议对象。相反，您应该使用 LinearRegression object.

fit_intercept布尔，默认=True

是否计算此模型的拦截。如果设置为False，则计算中不会使用任何拦截（即数据预计居中）。

precompute形状的布尔或阵列状（n_features，n_features），默认=假

是否使用预先计算的Gram矩阵来加速计算。Gram矩阵也可以作为参数传递。对于稀疏输入，此选项始终 False 以保持稀疏性。

copy_X布尔，默认=True

如果 True ，X将被复制;否则，可能会被覆盖。

max_iterint，默认=1000

最大迭代次数。

tolfloat，默认= 1 e-4

优化的容差：如果更新小于 tol ，优化代码检查双重差距的最佳性并继续，直到它小于 tol ，请参阅下面的注释。

warm_start布尔，默认=假

When set to True, reuse the solution of the previous call to fit as initialization, otherwise, just erase the previous solution. See the Glossary.

positive布尔，默认=假

如果设置为 True ，强制系数为正。

random_stateint，RandomState实例，默认=无

选择要更新的随机要素的伪随机数生成器的种子。时使用 selection ==“随机”。传递int以获得跨多个函数调用的可重复输出。看到 Glossary .

selection'循环'，'，默认='循环'

如果设置为“随机”，则随机系数会在每次迭代中更新，而不是默认情况下顺序循环特征。这（设置为“随机”）通常会导致明显更快的收敛，尤其是当tol高于1 e-4时。

属性:

coef_形状的nd数组（n_features，）或（n_targets，n_features）: 参数载体（成本函数公式中的w）。
dual_gap_形状的float或ndray（n_targets，）: 给定参数Alpha，优化结束时的双重间隙，与y的每次观察的形状相同。
sparse_coef_形状稀疏矩阵（n_features，1）或（n_目标，n_特征）: 适合的稀疏表示 coef_ .
intercept_形状的float或ndray（n_targets，）: Independent term in decision function.
n_iter_int或int列表: 坐标下降解算器为达到指定容差而运行的迭代次数。
n_features_in_int: 期间看到的功能数量 fit .

Added in version 0.24.
feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（: Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

lars_path: 使用LARS的正规化路径。
lasso_path: 使用Lasso的规则化路径。
LassoLars: 使用LARS算法沿着规则化参数的Lasso路径。
LassoCV: 交叉验证的Lasso alpha参数。
LassoLarsCV: Lasso least angle parameter algorithm by cross-validation.
sklearn.decomposition.sparse_encode: 稀疏编码数组估计器。

注意到

用于匹配模型的算法是坐标下降。

为了避免不必要的内存重复，fit方法的X参数应直接作为Forrester连续的numpy数组传递。

正规化改进了问题的条件条件并减少了估计的方差。值越大，规范化越强。Alpha对应于 1 / (2C) 在其他线性模型中， LogisticRegression 或 LinearSVC .如果传递数组，则假定惩罚特定于目标。因此，它们必须在数量上相对应。

精确的停止标准基于 tol 如下：首先，检查最大坐标更新，即 $\max_j |w_j^{new} - w_j^{old}|$ 小于 tol 乘以最大绝对系数， $\max_j |w_j|$ .如果是，那么额外检查双间隙是否小于 tol 倍 $||y||_2^2 / n_{\text{samples}}$ .

目标可以是二维数组，导致以下目标的优化：

(1 / (2 * n_samples)) * ||Y - XW||^2_F + alpha * ||W||_11

哪里 $||W||_{1,1}$ 是矩阵系数的大小之和。不应与 MultiTaskLasso 相反，这惩罚了 $L_{2,1}$ 系数的规范，产生系数的行稀疏性。

示例

>>> from sklearn import linear_model
>>> clf = linear_model.Lasso(alpha=0.1)
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
Lasso(alpha=0.1)
>>> print(clf.coef_)
[0.85 0.  ]
>>> print(clf.intercept_)
0.15...

fit(X, y, sample_weight=None, check_input=True)[源代码]#

用坐标下降来匹配模型。

参数:

X{ndray，sparse matrix，sparse数组}，（n_samples，n_features）

数据

请注意，大型稀疏矩阵和数组需要 int64 不接受指数。

y形状的nd数组（n_samples，）或（n_samples，n_targets）

目标如有必要，将被转换为X的d类型。

sample_weightfloat或类似数组的形状（n_samples，），默认值=None

样本重量。在内部 sample_weight 将重新缩放向总和 n_samples .

Added in version 0.23.

check_input布尔，默认=True

允许绕过多个输入检查。除非您知道自己要做什么，否则不要使用此参数。

返回:

self对象: 拟合估计量。

注意到

坐标下降是一种一次考虑每列数据的算法，因此如果需要，它会自动将X输入转换为Forrester连续的numpy数组。

为了避免内存重新分配，建议直接使用该格式分配内存中的初始数据。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:

routingMetadataRequest: A MetadataRequest 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔，默认=True: 如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到其值。

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)[源代码]#

通过坐标下降计算弹性净路径。

弹性网络优化函数针对单输出和多输出而变化。

对于单输出任务，它是：：

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

对于多输出任务，它是：：

(1 / (2 * n_samples)) * ||Y - XW||_Fro^2
+ alpha * l1_ratio * ||W||_21
+ 0.5 * alpha * (1 - l1_ratio) * ||W||_Fro^2

地点：：

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

即每一行的规范之和。

阅读更多的 User Guide .

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 训练数据。作为Forrester连续数据直接传递，以避免不必要的内存重复。如果 y 那么是单输出 X 可以是稀疏的。
y形状（n_samples，）的{类数组，稀疏矩阵}或（n_样本，n_目标）: 目标值。
l1_ratio浮点数，默认值=0.5: 0和1之间的数字传递到弹性网（在l1和l2罚分之间缩放）。 l1_ratio=1 对应于套索。
eps浮点数，默认值= 1 e-3: 路径的长度。 eps=1e-3 意味着 alpha_min / alpha_max = 1e-3 .
n_alphasint，默认=100: 正规化路径上阿尔法的数量。
alphas类数组，默认=无: 在哪里计算模型的阿尔法列表。如果无，则自动设置alpha。
precompute“自动”、布尔或阵列状的形状（n_features，n_features），默认='自动': 是否使用预先计算的Gram矩阵来加速计算。如果设置为 'auto' 让我们决定。Gram矩阵也可以作为参数传递。
Xy形状类似阵列（n_features，）或（n_features，n_targets），默认值=无: Xy = np.dot（X.T，y），可以预先计算。只有在预先计算Gram矩阵时，它才有用。
copy_X布尔，默认=True: 如果 True ，X将被复制;否则，可能会被覆盖。
coef_init形状类似阵列（n_features，），默认=无: 系数的初始值。
verbosebool或int，默认=False: 冗长的数量。
return_n_iter布尔，默认=假: 是否返回迭代次数。
positive布尔，默认=假: 如果设置为True，则强制系数为正。(Only前容 y.ndim == 1 ).
check_input布尔，默认=True: 如果设置为False，则跳过输入验证检查（包括提供的Gram矩阵）。假设它们由呼叫者处理。
**paramskwargs: 关键字参数传递给坐标下降求解器。

返回:

alphas形状的nd数组（n_alphas，）: 沿着模型计算路径的阿尔法。
coefs形状的nd数组（n_features，n_alphas）或（n_targets，n_features，n_alphas）: 沿着路径的系数。
dual_gaps形状的nd数组（n_alphas，）: 每个Alpha优化结束时的双重差距。
n_itersint列表: The number of iterations taken by the coordinate descent optimizer to reach the specified tolerance for each alpha. (Is returned when return_n_iter is set to True).

参见

MultiTaskElasticNet: 使用L1/L2混合范数训练的多任务ElasticNet模型作为正则化器
MultiTaskElasticNetCV: 多任务L1/L2 ElasticNet，内置交叉验证。
ElasticNet: 以L1和L2先验组合作为正规化器的线性回归。
ElasticNetCV: 弹性网络模型，沿着规则化路径迭代匹配。

注意到

有关示例，请参阅 examples/linear_model/plot_lasso_lasso_lars_elasticnet_path.py .

示例

>>> 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)[源代码]#

Predict using the linear model.

参数:

X类阵列或稀疏矩阵，形状（n_samples，n_features）: 样品

返回:

C数组，形状（n_samples，）: 返回预测值。

score(X, y, sample_weight=None)[源代码]#

返回预测的决定系数。

决定系数 $R^2$ 被定义为 $(1 - \frac{u}{v})$ ，在哪里 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum() 和 $v$ 是平方总和 ((y_true - y_true.mean()) ** 2).sum() .最好的可能分数是1.0，并且可以是负的（因为模型可以任意更差）。始终预测的期望值的恒定模型 y 如果不考虑输入功能，就会得到 $R^2$ 评分0.0。

参数:

X形状类似阵列（n_samples，n_features）: Test samples. For some estimators this may be a precomputed kernel matrix or a list of generic objects instead with shape (n_samples, n_samples_fitted), where n_samples_fitted is the number of samples used in the fitting for the estimator.
y形状的类似阵列（n_samples，）或（n_samples，n_outputs）: 真正的价值观 X .
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。

返回:

score浮子: $R^2$ 的 self.predict(X) w.r.t. y .

注意到

的 $R^2$ 呼叫时使用的分数 score 在回归器上使用 multioutput='uniform_average' 从0.23版本开始，与默认值保持一致 r2_score .这影响了 score 所有多输出回归器的方法（除了 MultiOutputRegressor ).

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → Lasso[源代码]#

请求元数据传递给 fit 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 fit 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 fit .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 sample_weight 参数 fit .

返回:

self对象: 更新的对象。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → Lasso[源代码]#

请求元数据传递给 score 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 score 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 score .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 sample_weight 参数 score .

返回:

self对象: 更新的对象。