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')[源代码]#

多任务Lasso模型使用L1/L2混合规范作为正规化器进行训练。

请参阅术语表条目 cross-validation estimator .

MultiTaskLasso的优化目标是：：

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

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 .

Added in version 0.15.

参数:

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。如果未提供，则自动设置。

fit_intercept布尔，默认=True

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

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 .

copy_X布尔，默认=True

如果 True ，X将被复制;否则，可能会被覆盖。

cvint，交叉验证生成器或可迭代，默认=无

确定交叉验证拆分策略。简历的可能输入包括：

无，若要使用默认的5重交叉验证，
int，指定折叠次数。
CV splitter ,
可迭代产出（训练、测试）分裂为索引数组。

对于int/No输入， KFold 采用了

指 User Guide 这里可以使用的各种交叉验证策略。

在 0.22 版本发生变更: cv 如果无从3倍更改为5倍，则默认值。

verbosebool或int，默认=False

冗长的数量。

n_jobsint，默认=无

交叉验证期间使用的处理器数量。请注意，只有在给出l1_ratio的多个值时才使用此选项。 None 意思是1，除非在a中 joblib.parallel_backend 上下文 -1 意味着使用所有处理器。看到 Glossary 了解更多详细信息。

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:

intercept_ndarray of shape (n_targets,): Independent term in decision function.
coef_形状的nd数组（n_targets，n_features）: 参数向量（成本函数公式中的W）。注意 coef_ 存储的转置 W , W.T .
alpha_浮子: 通过交叉验证选择的处罚金额。
mse_path_形状nd数组（n_alphas，n_folds）: 每次折叠上测试集的均方误差，不同的阿尔法。
alphas_形状的nd数组（n_alphas，）: 用于装配的阿尔法网格。
n_iter_int: 坐标下降解算器为达到最佳Alpha的指定容差而运行的迭代次数。
dual_gap_浮子: 优化最佳Alpha结束时的双重差距。
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

MultiTaskElasticNet: 多任务ElasticNet模型使用L1/L2混合规范作为正规化器进行训练。
ElasticNetCV: 弹性网络模型，通过交叉验证选择最佳模型。
MultiTaskElasticNetCV: 多任务L1/L2 ElasticNet，内置交叉验证。

注意到

用于匹配模型的算法是坐标下降。

在 fit ，曾经是最好的参数 alpha 通过交叉验证找到，使用整个训练集再次拟合模型。

为了避免不必要的内存重复， X 和 y 论点 fit 方法应该直接作为Forrester连续的numpy数组传递。

示例

>>> 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)[源代码]#

使用坐标下降拟合MultiTaskLasso模型。

Fit位于阿尔法网格上，通过交叉验证估计的最佳阿尔法网格上。

参数:

X形状的nd数组（n_samples，n_features）: 数据
y形状的nd数组（n_samples，n_targets）: 目标如有必要，将被转换为X的d类型。
**paramsdict，默认=无: 要传递给CV拆分器的参数。

Added in version 1.4: 仅在以下情况下可用 enable_metadata_routing=True ，可以使用 sklearn.set_config(enable_metadata_routing=True) .看到 Metadata Routing User Guide 了解更多详细信息。

返回:

self对象: 返回匹配模型的实例。

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。

Added in version 1.4.

返回:

routingMetadataRouter: A MetadataRouter 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, *, 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)[源代码]#

使用坐标下降计算Lasso路径。

Lasso优化功能因单输出和多输出而异。

对于单输出任务，它是：：

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

对于多输出任务，它是：：

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

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。
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 None 阿尔法是自动设置的。
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 ).
**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: 坐标下降优化器为达到每个Alpha的指定容差而进行的迭代次数。

参见

lars_path: 使用LARS算法计算最小角度回归或Lasso路径。
Lasso: Lasso是一个估计稀疏系数的线性模型。
LassoLars: Lasso模型与最小角度回归（又名最小角度回归）进行匹配拉斯。
LassoCV: Lasso线性模型，沿着规则化路径迭代匹配。
LassoLarsCV: 使用LARS算法交叉验证Lasso。
sklearn.decomposition.sparse_encode: 估计器，可用于将信号从固定的原子转换为稀疏线性组合。

注意到

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

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。

请注意，在某些情况下，Lars求解器可能会更快地实现此功能。特别是，线性插值可用于检索lars_PATH输出的值之间的模型系数

示例

比较lasso_PATH和lars_PATH与插值：

>>> 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)[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 = '$UNCHANGED$') → MultiTaskLassoCV[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 = '$UNCHANGED$') → MultiTaskLassoCV[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。