lasso_path#
- sklearn.linear_model.lasso_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)#
计算Lasso路径使用坐标下降法。
Lasso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 * ||w||_1
对于多输出任务，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}
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。
- 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
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
True，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
详细程度。
- return_n_iterbool, 默认=False
是否返回迭代次数。
- positivebool, 默认=False
如果设置为True，强制系数为正。（仅在
y.ndim == 1时允许）。- **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。
See also
lars_path使用LARS算法计算最小角回归或Lasso路径。
LassoLasso是一个估计稀疏系数的线性模型。
LassoLars使用最小角回归（又名Lars）拟合的Lasso模型。
LassoCV沿正则化路径迭代拟合的Lasso线性模型。
LassoLarsCV使用LARS算法进行交叉验证的Lasso。
sklearn.decomposition.sparse_encode估计器，可用于将信号转换为固定原子的稀疏线性组合。
Notes
有关示例，请参见 examples/linear_model/plot_lasso_coordinate_descent_path.py 。
为了避免不必要的内存复制，fit方法的X参数应直接传递为Fortran连续的numpy数组。
请注意，在某些情况下，Lars求解器可能会显著更快地实现此功能。特别是，可以使用线性插值来检索lars_path输出值之间的模型系数。
Examples
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]) >>> # 使用lasso_path计算系数路径 >>> _, coef_path, _ = lasso_path(X, y, alphas=[5., 1., .5]) >>> print(coef_path) [[0. 0. 0.46874778] [0.2159048 0.4425765 0.23689075]]
>>> # 现在使用lars_path和1D线性插值计算相同的路径 >>> 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]]
