sklearn.linear_model.ElasticNet?

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

[源碼]

將L1和L2先驗組合作為正則化器的線性回歸。

最小化目標函數：

如果你有興趣分別控制L1和L2懲罰，這等效于：

這里：

參數對應于glmnet R包中的alpha，而alpha對應于glmnet中的lambda參數。具體來說，是lasso懲罰。目前，是不可靠的，除非你提供你自己的alpha序列。

在用戶指南中閱讀更多內容。

參數	說明
alpha	float, default=1.0 乘以懲罰項的常數。默認為1.0。有關此參數的確切數學含義，請參見注釋。`alpha = 0`等同于由`LinearRegression`對象求解的普通最小二乘。由于數字原因，不建議`alpha = 0`與`Lasso`對象一起使用。鑒于此，你應該使用`LinearRegression`對象。
l1_ratio	float, default=0.5 Elastic-Net（彈性網）混合參數，取值范圍`0 <= l1_ratio <= 1`。僅在`penalty='elasticnet'`時使用。設置`l1_ratio=0`等同于使用L2懲罰，而設置`l1_ratio=1`等同于使用L1懲罰。對于`0 < l1_ratio <1`，懲罰是L1和L2的組合。
fit_intercept	bool, default=True 是否估計截距。如果為`False`，則假定數據已經中心化。
normalize	bool, default=False `fit_intercept`設置為False 時，將忽略此參數。如果為True，則在回歸之前通過減去均值并除以l2-范數來對回歸變量X進行歸一化。如果你希望標準化，請先使用 `sklearn.preprocessing.StandardScaler`，然后調用`fit` 估算器并設置`normalize=False`。
precompute	bool or array-like of shape (n_features, n_features), default=False 是否使用預先計算的Gram矩陣來加快計算速度。Gram矩陣也可以作為參數傳遞。對于稀疏輸入，此選項始終是`True`以保持稀疏性。
max_iter	int, default=1000 最大迭代次數。
copy_X	default=True 如果`True`，將復制X；否則X可能會被覆蓋。
tol	float, default=1e-4 優化的容忍度：如果更新小于`tol`，優化代碼將檢查對偶間隙的最優性，并一直持續到它小于`tol`為止。
warm_start	bool, default=False 設置為True時，重用前面調用的解決方案來進行初始化，否則，只清除前面的解決方案。請參閱詞匯表。
positive	bool, default=False 設置為`True`時，強制系數為正。
random_state	int, RandomState instance, default=None 更新特征隨機選擇的偽隨機數生成器種子。在`selection`=='random'時使用。在多個函數調用之間傳遞同一個整數實現可重復的輸出。請參閱詞匯表。
selection	{‘cyclic’, ‘random’}, default=’cyclic’ 如果設置為“random”，則隨機系數將在每次迭代時更新，而不是默認情況下按順序遍歷特征。這（設置為“random”）通常會導致收斂更快，尤其是當tol高于1e-4時。

屬性	說明
coef_	ndarray of shape (n_features,) or (n_targets, n_features) 參數向量（目標函數公式中的w）
`sparse_coef_`	sparse matrix of shape (n_features, 1) or (n_targets, n_features) 擬合`coef_`的稀疏表示
intercept_	float or ndarray of shape (n_targets,) 目標函數中的截距。
n_iter_	list of int 坐標下降求解器運行達到指定容忍度的迭代次數。

另見

ElasticNetCV

通過交叉驗證選擇最佳模型的彈性網模型。

SGDRegressor

通過增量訓練實現彈性凈回歸。

SGDClassifier

通過彈性懲罰（SGDClassifier(loss="log", penalty="elasticnet")）實現邏輯回歸。

注

為了避免不必要的內存重復，fit方法的X參數應該作為一個Fortran-contiguous numpy數組直接傳遞。

示例

>>> from sklearn.linear_model import ElasticNet
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=2, random_state=0)
>>> regr = ElasticNet(random_state=0)
>>> regr.fit(X, y)
ElasticNet(random_state=0)
>>> print(regr.coef_)
[18.83816048 64.55968825]
>>> print(regr.intercept_)
1.451...
>>> print(regr.predict([[0, 0]]))
[1.451...]

方法

方法	說明
`fit`(X, y[, sample_weight, check_input])	用坐標下降算法擬合模型。
`get_params`([deep])	獲取此估計器的參數。
`path`(X, y, *[, l1_ratio, eps, n_alphas, …])	計算具有坐標下降的彈性網路徑。
`predict`(X)	使用線性模型進行預測。
`score`(X, y[, sample_weight])	返回預測的確定系數R ^ 2。
`set_params`(**params)	設置此估算器的參數。

__init__(alpha=1.0, *, l1_ratio=0.5, fit_intercept=True, normalize=False, precompute=False, max_iter=1000, copy_X=True, tol=0.0001, warm_start=False, positive=False, random_state=None, selection='cyclic')

[源碼]

初始化self，請參閱help(type(self))以獲得準確的說明。

fit(X, y, sample_weight=None, check_input=True)

[源碼]

用坐標下降法擬合模型。

參數	說明
X	{ndarray, sparse matrix} of (n_samples, n_features) 樣本數據。
y	{ndarray, sparse matrix} of shape (n_samples,) or (n_samples, n_targets) 目標值。如有必要，將強制轉換為X的數據類型
sample_weight	float or array-like of shape (n_samples,), default=None 樣本權重。
check_input	bool, default=True 允許繞過多個輸入檢查。除非你知道自己要做什么，否則不要使用此參數。

注

坐標下降法是一次考慮數據的每一列的算法，因此如有必要，它會自動將X輸入轉換為Fortran-contiguous的numpy數組。

為了避免內存重新分配，建議直接使用這種格式在內存中分配初始數據。

get_params(deep=True)

[源碼]

獲取此估計量的參數。

參數	說明
deep	bool, default=True 如果為True，則將返回此估算器和所包含子對象的參數。

返回值	說明
params	mapping of string to any 參數名稱映射到其值。

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)

[源碼]

計算具有坐標下降的彈性網路徑。

彈性網優化函數針對單輸出和多輸出而變化。

對于單輸出任務，它是：

對于多輸出任務，它是：

這里

即每一行的范數之和。

在用戶指南中閱讀更多內容。

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 訓練數據。直接作為Fortran-contiguous數據傳遞，以避免不必要的內存重復。如果`y`是單輸出，則`X` 可以是稀疏的。
y	{array-like, sparse matrix} of shape (n_samples,) or (n_samples, n_outputs) 目標值。
l1_ratio	float, default=0.5 0到1之間的數字傳遞給彈性網（在L1和L2罰分之間縮放）。`l1_ratio=1`對應于Lasso。
eps	float, default=1e-3 路徑的長度。`eps=1e-3`意味著 `alpha_min / alpha_max = 1e-3`。
n_alphas	int, default=100 沿著正則化路徑的Alpha個數。
alphas	ndarray, default=None 用于計算模型的alpha列表。如果為None，則自動設置Alpha。
precompute	‘auto’, bool or array-like of shape (n_features, n_features), default=’auto’ 是否使用預先計算的Gram矩陣來加快計算速度。Gram矩陣也可以作為參數傳遞。
Xy	array-like of shape (n_features,) or (n_features, n_outputs), default=None Xy = np.dot（XT，y）可以預先計算。僅當預先計算了Gram矩陣時才有用。
copy_X	bool, default=True 如果`True`，將復制X；否則X可能會被覆蓋。
coef_init	ndarray of shape (n_features, ), default=None 系數的初始值。
verbose	bool or int, default=False 詳細程度。
return_n_iter	bool, default=False 是否返回迭代次數。
positive	bool, default=False 如果設置為True，則強制系數為正。（僅當`y.ndim == 1`時允許）。
check_input	bool, default=True 跳過輸入驗證檢查，包括提供的Gram矩陣（假設提供），假設在check_input = False時由調用方處理。
**params	kwargs 傳遞給坐標下降求解器的關鍵字參數。

返回值	說明
alphas	ndarray of shape (n_alphas,) 沿模型計算路徑的Alpha值。
coefs	ndarray of shape (n_features, n_alphas) or (n_outputs, n_features, n_alphas) 沿路徑的系數。
dual_gaps	ndarray of shape (n_alphas,) 每個alpha優化結束時的雙重間隔。
n_iters	list of int 坐標下降優化器為達到每個alpha的指定容差所進行的迭代次數。（當`return_n_iter`設置為True 時返回）。

另見

MultiTaskElasticNet
MultiTaskElasticNetCV
ElasticNet
ElasticNetCV

注

有關示例，請參見 examples / linear_model / plot_lasso_coordinate_descent_path.py。

predict(X)

[源碼]

使用線性模型進行預測。

參數	說明
X	array_like or sparse matrix, shape (n_samples, n_features) 樣本數據

返回值	說明
C	array, shape (n_samples,) 返回預測值。

score(X, y, sample_weight=None)

[源碼]

返回預測的確定系數R ^ 2。

系數R ^ 2定義為（1- u / v），其中u是殘差平方和（（y_true-y_pred）** 2）.sum（），而v是總平方和（（y_true- y_true.mean（））** 2）.sum（）。可能的最高得分為1.0，并且也可能為負（因為該模型可能會更差）。一個常數模型總是預測y的期望值，而不考慮輸入特征，得到的R^2得分為0.0。

參數	說明
X	array-like of shape (n_samples, n_features) 測試樣本。對于某些估計量，這可以是預先計算的內核矩陣或通用對象列表，形狀為（n_samples，n_samples_fitted），其中n_samples_fitted是用于擬合估計器的樣本數。
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真實值。
sample_weight	array-like of shape (n_samples,), default=None 樣本權重。

返回值	說明
score	float 預測值與真實值的R^2。

注

調用回歸器中的score時使用的R2分數，multioutput='uniform_average'從0.23版開始使用，與r2_score默認值保持一致。這會影響多輸出回歸的score方法（ MultiOutputRegressor除外）。

set_params(**params)

[源碼]

設置此估計器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者具有形式為 <component>__<parameter>的參數，這樣就可以更新嵌套對象的每個組件。

參數	說明
**params	dict 估計器參數。

返回值	說明
self	object 估計器實例。

property sparse_coef_

擬合coef_的稀疏表示

sklearn.linear_model.ElasticNet使用示例?

稀疏信號上的LASSO與彈性網 ?

訓練誤差與測試誤差 ?

scikit-learn 0.23中的發布要點 ?