MultiTaskElasticNet#

class sklearn.linear_model.MultiTaskElasticNet(alpha=1.0, *, l1_ratio=0.5, fit_intercept=True, copy_X=True, max_iter=1000, tol=0.0001, warm_start=False, random_state=None, selection='cyclic')#

多任务弹性网络模型，使用L1/L2混合范数作为正则化器进行训练。

多任务弹性网络的优化目标为:

(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)

即每行的范数之和。

更多信息请参阅用户指南。

Parameters:

alphafloat, default=1.0: 乘以L1/L2项的常数。默认为1.0。
l1_ratiofloat, default=0.5: 弹性网络混合参数，0 < l1_ratio <= 1。对于l1_ratio = 1，惩罚是L1/L2惩罚。对于l1_ratio = 0，惩罚是L2惩罚。对于 0 < l1_ratio < 1 ，惩罚是L1/L2和L2的组合。
fit_interceptbool, default=True: 是否计算此模型的截距。如果设置为false，则不会在计算中使用截距（即数据应已中心化）。
copy_Xbool, default=True: 如果为 True ，将复制X；否则，可能会覆盖它。
max_iterint, default=1000: 最大迭代次数。
tolfloat, default=1e-4: 优化的容差：如果更新小于 tol ，优化代码会检查对偶间隙是否最优，并继续直到它小于 tol 。
warm_startbool, default=False: 设置为 True 时，重用上一次调用fit的解作为初始化，否则，只需擦除之前的解。参见术语表。
random_stateint, RandomState实例, default=None: 选择随机特征进行更新的伪随机数生成器的种子。当 selection == ‘random’时使用。传递一个int以在多次函数调用中获得可重复的输出。参见术语表。
selection{‘cyclic’, ‘random’}, default=’cyclic’: 如果设置为’random’，每次迭代会随机更新一个系数，而不是默认情况下按顺序循环更新特征。这（设置为’random’）通常会显著加快收敛速度，特别是当tol高于1e-4时。

Attributes:

intercept_ndarray of shape (n_targets,): 决策函数中的独立项。
coef_ndarray of shape (n_targets, n_features): 参数向量（成本函数公式中的W）。如果在fit中传递了1D的y（非多任务使用）， coef_ 则是一个1D数组。注意 coef_ 存储的是 W 的转置， W.T 。
n_iter_int: 坐标下降求解器运行到指定容差的迭代次数。
dual_gap_float: 优化结束时的对偶间隙。
eps_float: 目标 y 的方差缩放的容差。
sparse_coef_稀疏矩阵，形状为 (n_features,) 或 (n_targets, n_features): 稀疏表示拟合的 coef_ 。
n_features_in_int: fit 期间看到的特征数量。

Added in version 0.24.
feature_names_in_ndarray of shape ( n_features_in_ ,): fit 期间看到的特征名称。仅当 X 的特征名称均为字符串时定义。

Added in version 1.0.

See also

MultiTaskElasticNetCV: 内置交叉验证的多任务L1/L2弹性网络。
ElasticNet: 结合L1和L2先验作为正则化器的线性回归。
MultiTaskLasso: 使用L1/L2混合范数作为正则化器训练的多任务Lasso模型。

Notes

用于拟合模型的算法是坐标下降法。

为了避免不必要的内存复制，fit方法的X和y参数应直接传递为Fortran连续的numpy数组。

Examples

>>> from sklearn import linear_model
>>> clf = linear_model.MultiTaskElasticNet(alpha=0.1)
>>> clf.fit([[0,0], [1, 1], [2, 2]], [[0, 0], [1, 1], [2, 2]])
MultiTaskElasticNet(alpha=0.1)
>>> print(clf.coef_)
[[0.45663524 0.45612256]
 [0.45663524 0.45612256]]
>>> print(clf.intercept_)
[0.0872422 0.0872422]

fit(X, y)#

拟合MultiTaskElasticNet模型使用坐标下降法。

Parameters:

Xndarray of shape (n_samples, n_features): 数据。
yndarray of shape (n_samples, n_targets): 目标。如果需要，将被转换为X的数据类型。

Returns:

selfobject: 拟合的估计器。

Notes

坐标下降法是一种算法，它一次考虑一列数据，因此如果有必要，它将自动将X输入转换为Fortran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在内存中分配初始数据。

get_metadata_routing()#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

Returns:

routingMetadataRequest: MetadataRequest 封装的路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:

deepbool, 默认=True: 如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:

paramsdict: 参数名称映射到它们的值。

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)#

计算弹性网络路径使用坐标下降法。

弹性网络优化函数对于单输出和多输出任务有所不同。

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

其中:

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

即每行的范数之和。

更多信息请参阅用户指南。

Parameters:

X{array-like, sparse matrix}，形状为 (n_samples, n_features): 训练数据。直接传递为 Fortran 连续数据以避免不必要的内存复制。如果 y 是单输出，则 X 可以是稀疏的。
y{array-like, sparse matrix}，形状为 (n_samples,) 或 (n_samples, n_targets): 目标值。
l1_ratiofloat, 默认=0.5: 介于 0 和 1 之间的数字，传递给弹性网络（在 l1 和 l2 惩罚之间缩放）。 l1_ratio=1 对应于 Lasso。
epsfloat, 默认=1e-3: 路径的长度。 eps=1e-3 意味着 alpha_min / alpha_max = 1e-3 。
n_alphasint, 默认=100: 沿正则化路径的 alpha 数量。
alphasarray-like, 默认=None: 计算模型的 alpha 列表。如果为 None，则自动设置 alpha。
precompute‘auto’, bool 或形状为 (n_features, n_features) 的 array-like, 默认=’auto’: 是否使用预计算的 Gram 矩阵以加速计算。如果设置为 'auto' ，则由我们决定。Gram 矩阵也可以作为参数传递。
Xy形状为 (n_features,) 或 (n_features, n_targets) 的 array-like, 默认=None: Xy = np.dot(X.T, y) 可以预计算。只有在预计算 Gram 矩阵时才有用。
copy_Xbool, 默认=True: 如果为 True ，则 X 将被复制；否则，可能会被覆盖。
coef_init形状为 (n_features,) 的 array-like, 默认=None: 系数的初始值。
verbosebool 或 int, 默认=False: 冗长程度。
return_n_iterbool, 默认=False: 是否返回迭代次数。
positivebool, 默认=False: 如果设置为 True，则强制系数为正。（仅在 y.ndim == 1 时允许）。
check_inputbool, 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）。假设它们由调用者处理。
**paramskwargs: 传递给坐标下降求解器的关键字参数。

Returns:

alphas形状为 (n_alphas,) 的 ndarray: 计算模型的 alpha 路径。
coefs形状为 (n_features, n_alphas) 或 (n_targets, n_features, n_alphas) 的 ndarray: 沿路径的系数。
dual_gaps形状为 (n_alphas,) 的 ndarray: 每个 alpha 优化结束时的对偶间隙。
n_iterslist of int: 坐标下降优化器为达到指定容差所需的迭代次数。（当 return_n_iter 设置为 True 时返回）。

See also

MultiTaskElasticNet: 使用 L1/L2 混合范数作为正则化训练的多任务弹性网络模型。
MultiTaskElasticNetCV: 内置交叉验证的多任务 L1/L2 弹性网络。
ElasticNet: 结合 L1 和 L2 先验作为正则化的线性回归。
ElasticNetCV: 沿正则化路径迭代拟合的弹性网络模型。

Notes

有关示例，请参见 examples/linear_model/plot_lasso_coordinate_descent_path.py 。

Examples

>>> 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)#

使用线性模型进行预测。

Parameters:

Xarray-like 或 sparse matrix, shape (n_samples, n_features): 样本。

Returns:

Carray, shape (n_samples,): 返回预测值。

score(X, y, sample_weight=None)#

返回预测的决定系数。

决定系数 $R^2$ 定义为 $(1 - rac{u}{v})$ ，其中 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum() ，而 $v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum() 。最好的可能得分是 1.0，它可能是负的（因为模型可能任意地差）。一个总是预测 y 的期望值的常数模型，忽略输入特征，将得到 $R^2$ 得分为 0.0。

Parameters:

Xarray-like of shape (n_samples, n_features): 测试样本。对于某些估计器，这可能是一个预计算的核矩阵或一个形状为 (n_samples, n_samples_fitted) 的通用对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数量。
yarray-like of shape (n_samples,) or (n_samples, n_outputs): X 的真实值。
sample_weightarray-like of shape (n_samples,), default=None: 样本权重。

Returns:

scorefloat: $R^2$ 相对于 y 的 self.predict(X) 。

Notes

在调用回归器的 score 时使用的 $R^2$ 得分从 0.23 版本开始使用 multioutput='uniform_average' 以保持与 r2_score 默认值一致。这影响了所有多输出回归器的 score 方法（除了 MultiOutputRegressor ）。

set_fit_request(*, check_input: bool | None | str = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') → MultiTaskElasticNet#

Request metadata passed to the fit method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

True : metadata is requested, and passed to fit if provided. The request is ignored if metadata is not provided.
False : metadata is not requested and the meta-estimator will not pass it to fit .
None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.
str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:

check_inputstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: Metadata routing for check_input parameter in fit .
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: Metadata routing for sample_weight parameter in fit .

Returns:

selfobject: The updated object.

set_params(**params)#

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 ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:

**paramsdict: 估计器参数。

Returns:

selfestimator instance: 估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiTaskElasticNet#

Request metadata passed to the score method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

True : metadata is requested, and passed to score if provided. The request is ignored if metadata is not provided.
False : metadata is not requested and the meta-estimator will not pass it to score .
None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.
str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: Metadata routing for sample_weight parameter in score .

Returns:

selfobject: The updated object.

property sparse_coef_#: 稀疏表示拟合的 coef_ 。