sklearn.linear_model.ElasticNetCV?

class sklearn.linear_model.ElasticNetCV(*, l1_ratio=0.5, eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, normalize=False, precompute='auto', max_iter=1000, tol=0.0001, cv=None, copy_X=True, verbose=0, n_jobs=None, positive=False, random_state=None, selection='cyclic')

[源碼]

沿著正則化路徑具有迭代擬合的彈性網模型。

有關交叉驗證估算器，請參閱詞匯表條目。

在用戶指南中閱讀更多內容。

參數	說明
l1_ratio	float or list of float, default=0.5 0到1之間的浮點數傳遞給彈性網（在L1和L2罰分之間縮放）。對于`l1_ratio = 0`是L2懲罰。`l1_ratio = 1`是L1懲罰。對于`0 < l1_ratio < 1`，懲罰是L1和L2的組合。此參數可以是列表，在這種情況下，通過交叉驗證測試不同的值，并使用給出最佳預測得分的值。注意，l1_ratio值列表的一個很好的選擇通常是使更多的值接近1（即Lasso），少接近0（即Ridge），如`[.1, .5, .7, .9, .95, .99, 1]`
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 沿正則化路徑的Alpha個數，用于每個l1_ratio。
alphas	ndarray, default=None 用于計算模型的alpha列表。如果為None自動設置Alpha。
fit_intercept	bool, default=True 是否計算該模型的截距。如果設置為false，則在計算中將不使用截距（即數據應中心化）。
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	‘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。
max_iter	int, default=1000 最大迭代次數。
tol	float, default=1e-4 優化的容忍度：如果更新小于`tol`，則優化代碼檢查對偶間隙的最優性，并繼續進行直到其小于`tol`。
cv	int, cross-validation generator or iterable, default=None 確定交叉驗證拆分策略。可能的輸入是： - None，使用默認的5折交叉驗證 - int，用于指定折疊數。 - CV分割器， - 可迭代生成(分割訓練、測試)索引數組。對于int / None輸入，使用`KFold`。有關可在此處使用的各種交叉驗證策略，請參閱用戶指南。在0.22版本中更改：`cv`如果是“None”，默認值從3更改為5。
copy_X	bool, default=True 如果`True`，將復制X；否則X可能會被覆蓋。
verbose	bool or int, default=0 日志詳細程度。
n_jobs	int, default=None 交叉驗證期間要使用的CPU核心數量。除非在上下文中設置了`joblib.parallel_backend`，否則`None`表示1 。 `-1`表示使用所有處理器。有關更多詳細信息，請參見詞匯表。
positive	bool, default=False 設置為時`True`，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
alpha_	float 交叉驗證選擇的懲罰量
l1_ratio_	float 交叉驗證所選擇的l1和l2懲罰之間的折中
coef_	ndarray of shape (n_features,) or (n_targets, n_features) 參數向量（目標函數公式中的w）。
intercept_	float or ndarray of shape (n_targets, n_features) 目標函數中的截距。
mse_path_	ndarray of shape (n_l1_ratio, n_alpha, n_folds) 每次折疊l1_ratio和alpha組合下測試集的均方誤差。
alphas_	ndarray of shape (n_alphas,) or (n_l1_ratio, n_alphas) 對于每個l1_ratio，用于擬合的alpha網格。
n_iter_	int 坐標下降求解器運行的迭代次數，以達到指定容忍度的最優alpha。

另見

enet_path
ElasticNet

注

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

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。

參數l1_ratio對應于glmnet R包中的alpha，而alpha對應于glmnet中的lambda參數。更具體的說，優化目標是：

如果你有興趣分別控制L1和L2懲罰，這等效于：

這里：

示例

>>> from sklearn.linear_model import ElasticNetCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=2, random_state=0)
>>> regr = ElasticNetCV(cv=5, random_state=0)
>>> regr.fit(X, y)
ElasticNetCV(cv=5, random_state=0)
>>> print(regr.alpha_)
0.199...
>>> print(regr.intercept_)
0.398...
>>> print(regr.predict([[0, 0]]))
[0.398...]

方法

方法	說明
`fit`(X, y)	用坐標下降法擬合模型。
`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__(*, l1_ratio=0.5, eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, normalize=False, precompute='auto', max_iter=1000, tol=0.0001, cv=None, copy_X=True, verbose=0, n_jobs=None, 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)

[源碼]

用坐標下降法擬合模型。

在Alpha網格上擬合并通過交叉驗證估算出最佳Alpha。

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 of shape (n_samples,) or (n_samples, n_targets) 目標值。

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。