LassoCV#

класс sklearn.linear_model.LassoCV(*, eps=0.001, n_alphas='устаревший', альфы='warn', fit_intercept=True, precompute='auto', max_iter=1000, tol=0.0001, copy_X=True, cv=None, verbose=False, n_jobs=None, положительный=False, random_state=None, выбор='cyclic')[источник]#

Лассо линейная модель с итеративной подгонкой вдоль пути регуляризации.

См. запись в глоссарии для оценщик перекрестной проверки.

Лучшая модель выбирается с помощью перекрестной проверки.

Целевая функция оптимизации для Lasso:

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

Подробнее в Руководство пользователя.

Параметры:

epsfloat, по умолчанию=1e-3

Длина пути. eps=1e-3 означает, что alpha_min / alpha_max = 1e-3.

n_alphasint, по умолчанию=100

Количество альфа вдоль пути регуляризации.

Устарело с версии 1.7: n_alphas был устаревшим в 1.7 и будет удалён в 1.9. Используйте alphas вместо этого.

альфыarray-like или int, по умолчанию=None

Значения alphas для тестирования вдоль пути регуляризации. Если int, alphas значения генерируются автоматически. Если массивоподобный, список значений alpha для использования.

Изменено в версии 1.7: alphas принимает целочисленное значение, что устраняет необходимость передачи n_alphas.

Устарело с версии 1.7: alphas=None был устаревшим в 1.7 и будет удален в 1.9, после чего значение по умолчанию будет установлено на 100.

fit_interceptbool, по умолчанию=True

Вычислять ли свободный член для этой модели. Если установлено false, свободный член не будет использоваться в вычислениях (т.е. ожидается, что данные центрированы).

precompute'auto', bool или массив формы (n_features, n_features), по умолчанию='auto'

Использовать ли предварительно вычисленную матрицу Грама для ускорения вычислений. Если установлено в 'auto' пусть мы решим. Матрица Грама также может быть передана в качестве аргумента.

max_iterint, по умолчанию=1000

Максимальное количество итераций.

tolfloat, по умолчанию=1e-4

Допуск для оптимизации: если обновления меньше или равны tol, код оптимизации проверяет двойственный разрыв на оптимальность и продолжает работу, пока он не станет меньше или равен tol.

copy_Xbool, по умолчанию=True

Если True, X будет скопирован; иначе, он может быть перезаписан.

cvint, генератор перекрестной проверки или итерируемый объект, по умолчанию=None

Определяет стратегию разделения для перекрестной проверки. Возможные значения для cv:

None, чтобы использовать стандартную 5-кратную перекрестную проверку,
int, чтобы указать количество фолдов.
CV splitter,
Итерируемый объект, возвращающий (обучающие, тестовые) разбиения в виде массивов индексов.

Для целочисленных/None входов, KFold используется.

Обратитесь Руководство пользователя для различных стратегий перекрестной проверки, которые можно использовать здесь.

Изменено в версии 0.22: cv значение по умолчанию, если None изменено с 3-кратного на 5-кратное.

verbosebool или int, по умолчанию=False

Уровень детализации вывода.

n_jobsint, default=None

Количество процессоров для использования во время перекрестной проверки. None означает 1, если только не в joblib.parallel_backend контекст. -1 означает использование всех процессоров. См. Глоссарий для получения дополнительной информации.

положительныйbool, по умолчанию=False

Если положительно, ограничивает коэффициенты регрессии положительными значениями.

random_stateint, экземпляр RandomState, по умолчанию=None

Сид псевдослучайного генератора чисел, который выбирает случайный признак для обновления. Используется, когда selection == 'random'. Передайте int для воспроизводимого вывода при множественных вызовах функции. См. Глоссарий.

выбор{‘cyclic’, ‘random’}, по умолчанию=’cyclic’

Если установлено в 'random', случайный коэффициент обновляется на каждой итерации вместо последовательного перебора признаков по умолчанию. Это (установка в 'random') часто приводит к значительно более быстрой сходимости, особенно когда tol больше 1e-4.

Атрибуты:

alpha_float: Величина штрафа, выбранная с помощью перекрестной проверки.
coef_ndarray формы (n_features,) или (n_targets, n_features): Вектор параметров (w в формуле функции стоимости).
intercept_float или ndarray формы (n_targets,): Независимый член в функции принятия решений.
mse_path_ndarray формы (n_alphas, n_folds): Среднеквадратичная ошибка для тестового набора на каждом сгибе, варьирующая альфа.
alphas_ndarray формы (n_alphas,): Сетка альфа, использованная для подгонки.
dual_gap_float или ndarray формы (n_targets,): Двойственный разрыв в конце оптимизации для оптимального альфа (alpha_).
n_iter_int: Количество итераций, выполняемых решателем координатного спуска для достижения указанного допуска для оптимального alpha.
n_features_in_int: Количество признаков, замеченных во время fit.

Добавлено в версии 0.24.
feature_names_in_ndarray формы (n_features_in_,): Имена признаков, наблюдаемых во время fit. Определено только когда X имеет имена признаков, которые все являются строками.

Добавлено в версии 1.0.

Смотрите также

lars_path: Вычислить путь регрессии наименьших углов или Lasso с использованием алгоритма LARS.
lasso_path: Вычислить путь Lasso с координатным спуском.
Lasso: Lasso — это линейная модель, которая оценивает разреженные коэффициенты.
LassoLars: Модель Lasso, обученная с использованием метода наименьших углов, также известного как Lars.
LassoCV: Лассо линейная модель с итеративной подгонкой вдоль пути регуляризации.
LassoLarsCV: Перекрёстно проверенный Lasso с использованием алгоритма LARS.

Примечания

В fit, как только лучший параметр alpha находится с помощью кросс-валидации, модель снова обучается на всем тренировочном наборе.

Чтобы избежать ненужного дублирования памяти, X аргумент fit метод должен быть передан непосредственно как массив numpy с непрерывной памятью в стиле Fortran.

Пример см. в examples/linear_model/plot_lasso_model_selection.py.

LassoCV приводит к другим результатам, чем поиск гиперпараметров с использованием GridSearchCV с Lasso модель. В LassoCV, модель для заданного штрафа alpha При многометочной классификации функция возвращает точность подмножества. Если полный набор предсказанных меток для образца строго совпадает с истинным набором меток, то точность подмножества равна 1.0; в противном случае она равна 0.0.

Базовый решатель координатного спуска использует правила безопасного скрининга с зазором для ускорения времени подгонки, см. Руководство пользователя по координатному спуску.

Примеры

>>> from sklearn.linear_model import LassoCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4, random_state=0)
>>> reg = LassoCV(cv=5, random_state=0).fit(X, y)
>>> reg.score(X, y)
0.9993
>>> reg.predict(X[:1,])
array([-79.4755331])

fit(X, y, sample_weight=None, **params)[источник]#

Обучение модели Lasso с координатным спуском.

Подгонка выполняется на сетке альфа, и лучшая альфа оценивается с помощью перекрестной проверки.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features): Обучающие данные. Передавайте непосредственно как Fortran-contiguous данные, чтобы избежать ненужного дублирования памяти. Если y имеет один выход, X может быть разреженным. Обратите внимание, что большие разреженные матрицы и массивы, требующие int64 индексы не принимаются.
yarray-like формы (n_samples,): Целевые значения.
sample_weightfloat или array-like формы (n_samples,), default=None: Веса выборок, используемые для обучения и оценки взвешенной среднеквадратичной ошибки каждого cv-фолда. Обратите внимание, что перекрёстно проверенная MSE, которая в итоге используется для поиска лучшей модели, является невзвешенным средним по (взвешенным) MSE каждого тестового фолда.
**paramsdict, по умолчанию=None: Параметры, передаваемые разделителю CV.

Добавлено в версии 1.4: Доступно только если enable_metadata_routing=True, который можно установить с помощью sklearn.set_config(enable_metadata_routing=True). См. Руководство по маршрутизации метаданных для более подробной информации.

Возвращает:

selfobject: Возвращает экземпляр обученной модели.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Добавлено в версии 1.4.

Возвращает:

маршрутизацияMetadataRouter: A MetadataRouter Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)[источник]#

Получить параметры для этого оценщика.

Параметры:

глубокийbool, по умолчанию=True: Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:

paramsdict: Имена параметров, сопоставленные с их значениями.

статический путь(X, y, *, eps=0.001, n_alphas=100, альфы=None, precompute='auto', Xy=None, copy_X=True, coef_init=None, verbose=False, return_n_iter=False, положительный=False, **params)[источник]#

Вычислить путь Lasso с координатным спуском.

Функция оптимизации Lasso различается для одно- и многомерных выходов.

Для задач с одним выходом это:

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

Для многозадачных задач это:

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

Где:

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

т.е. сумма норм каждой строки.

Подробнее в Руководство пользователя.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features): Обучающие данные. Передавайте непосредственно как данные с порядком хранения Fortran, чтобы избежать ненужного дублирования памяти. Если y является моно-выходным, тогда X может быть разреженным.
y{array-like, sparse matrix} формы (n_samples,) или (n_samples, n_targets): Целевые значения.
epsfloat, по умолчанию=1e-3: Длина пути. eps=1e-3 означает, что alpha_min / alpha_max = 1e-3.
n_alphasint, по умолчанию=100: Количество альфа вдоль пути регуляризации.
альфыarray-like, default=None: Список альфа, для которых вычисляются модели. Если None параметры alphas устанавливаются автоматически.
precompute'auto', bool или массив формы (n_features, n_features), по умолчанию='auto': Использовать ли предварительно вычисленную матрицу Грама для ускорения вычислений. Если установлено в 'auto' пусть мы решим. Матрица Грама также может быть передана в качестве аргумента.
Xyarray-like формы (n_features,) или (n_features, n_targets), default=None: Xy = np.dot(X.T, y), который может быть предварительно вычислен. Это полезно только когда матрица Грама предварительно вычислена.
copy_Xbool, по умолчанию=True: Если True, X будет скопирован; иначе, он может быть перезаписан.
coef_initarray-like формы (n_features, ), по умолчанию=None: Начальные значения коэффициентов.
verbosebool или int, по умолчанию=False: Уровень детализации вывода.
return_n_iterbool, по умолчанию=False: Возвращать ли количество итераций или нет.
положительныйbool, по умолчанию=False: Если установлено в True, заставляет коэффициенты быть положительными. (Разрешено только когда y.ndim == 1).
**paramskwargs: Аргументы ключевых слов, передаваемые решателю координатного спуска.

Возвращает:

альфыndarray формы (n_alphas,): Значения alphas вдоль пути, по которому вычисляются модели.
coefsndarray формы (n_features, n_alphas) или (n_targets, n_features, n_alphas): Коэффициенты вдоль пути.
dual_gapsndarray формы (n_alphas,): Двойные разрывы в конце оптимизации для каждого альфа.
n_itersсписок целых чисел: Количество итераций, выполненных оптимизатором координатного спуска для достижения указанного допуска для каждого альфа.

Смотрите также

lars_path: Вычислить путь регрессии наименьших углов или Lasso с использованием алгоритма LARS.
Lasso: Lasso — это линейная модель, которая оценивает разреженные коэффициенты.
LassoLars: Модель Lasso, обученная с использованием метода наименьших углов, также известного как Lars.
LassoCV: Лассо линейная модель с итеративной подгонкой вдоль пути регуляризации.
LassoLarsCV: Перекрёстно проверенный Lasso с использованием алгоритма LARS.
sklearn.decomposition.sparse_encode: Оценщик, который может использоваться для преобразования сигналов в разреженную линейную комбинацию атомов из фиксированного.

Примечания

Пример см. в examples/linear_model/plot_lasso_lasso_lars_elasticnet_path.py.

Чтобы избежать ненужного дублирования памяти, аргумент X метода fit должен передаваться напрямую как массив numpy с порядком Fortran.

Обратите внимание, что в некоторых случаях решатель Lars может быть значительно быстрее для реализации этой функциональности. В частности, линейная интерполяция может использоваться для получения коэффициентов модели между значениями, выводимыми lars_path.

Базовый решатель координатного спуска использует правила безопасного скрининга с зазором для ускорения времени подгонки, см. Руководство пользователя по координатному спуску.

Примеры

Сравнение lasso_path и lars_path с интерполяцией:

>>> 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)[источник]#

Прогнозирование с использованием линейной модели.

Параметры:

Xмассивоподобный или разреженная матрица, форма (n_samples, n_features): Образцы.

Возвращает:

Cмассив, формы (n_samples,): Возвращает предсказанные значения.

score(X, y, sample_weight=None)[источник]#

Возвращает коэффициент детерминации на тестовых данных.

Коэффициент детерминации, $R^2$, определяется как $(1 - \frac{u}{v})$, где $u$ является остаточной суммой квадратов ((y_true - y_pred)** 2).sum() и $v$ является общей суммой квадратов ((y_true - y_true.mean()) ** 2).sum()Лучший возможный результат - 1.0, и он может быть отрицательным (потому что модель может быть сколь угодно хуже). Постоянная модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит $R^2$ оценка 0.0.

Параметры:

Xarray-like формы (n_samples, n_features): Тестовые выборки. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список общих объектов вместо этого с формой (n_samples, n_samples_fitted), где n_samples_fitted — это количество образцов, использованных при обучении оценщика.
yarray-like формы (n_samples,) или (n_samples, n_outputs): Истинные значения для X.
sample_weightarray-like формы (n_samples,), по умолчанию=None: Веса выборок.

Возвращает:

scorefloat: $R^2$ of self.predict(X) относительно y.

Примечания

The $R^2$ оценка, используемая при вызове score на регрессоре использует multioutput='uniform_average' с версии 0.23 для сохранения согласованности со значением по умолчанию r2_score. Это влияет на score метод всех многомерных регрессоров (кроме MultiOutputRegressor).

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → LassoCV[источник]#

Настроить, следует ли запрашивать передачу метаданных в fit метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

True: запрашиваются метаданные и передаются fit если предоставлено. Запрос игнорируется, если метаданные не предоставлены.
False: метаданные не запрашиваются, и мета-оценщик не передаст их в fit.
None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.
str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED: Маршрутизация метаданных для sample_weight параметр в fit.

Возвращает:

selfobject: Обновленный объект.

set_params(**params)[источник]#

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict: Параметры оценщика.

Возвращает:

selfэкземпляр estimator: Экземпляр оценщика.

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

Настроить, следует ли запрашивать передачу метаданных в score метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

True: запрашиваются метаданные и передаются score если предоставлено. Запрос игнорируется, если метаданные не предоставлены.
False: метаданные не запрашиваются, и мета-оценщик не передаст их в score.
None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.
str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED: Маршрутизация метаданных для sample_weight параметр в score.

Возвращает: