enet_path#

sklearn.linear_model.enet_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)[Quelle]#

Berechnet den Elastic Net-Pfad mit Koordinatenabstieg.

Die Elastic-Net-Optimierungsfunktion variiert für Mono- und Multi-Ausgaben.

Für Mono-Ausgaben-Aufgaben ist es

1 / (2 * n_samples) * ||y - Xw||^2_2
+ alpha * l1_ratio * ||w||_1
+ 0.5 * alpha * (1 - l1_ratio) * ||w||^2_2

Für Multi-Ausgaben-Aufgaben ist es

(1 / (2 * n_samples)) * ||Y - XW||_Fro^2
+ alpha * l1_ratio * ||W||_21
+ 0.5 * alpha * (1 - l1_ratio) * ||W||_Fro^2

Wo

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

d.h. die Summe der Norm jeder Zeile.

Lesen Sie mehr im Benutzerhandbuch.

Parameter:

X{array-like, sparse matrix} der Form (n_samples, n_features): Trainingsdaten. Direkt als Fortran-kontinuierliche Daten übergeben, um unnötige Speicherduplizierung zu vermeiden. Wenn y eine Mono-Ausgabe ist, kann X spärlich sein.
y{array-ähnlich, spärsitätsmatrix} der Form (n_samples,) oder (n_samples, n_targets): Zielwerte.
l1_ratiofloat, Standardwert=0.5: Zahl zwischen 0 und 1, die an Elastic Net übergeben wird (Skalierung zwischen l1- und l2-Strafen). l1_ratio=1 entspricht dem Lasso.
epsfloat, Standardwert=1e-3: Länge des Pfades. eps=1e-3 bedeutet, dass alpha_min / alpha_max = 1e-3.
n_alphasint, Standardwert=100: Anzahl der Alphas entlang des Regularisierungspfades.
alphasarray-ähnlich, Standardwert=None: Liste von Alphas, für die die Modelle berechnet werden. Wenn None, werden Alphas automatisch gesetzt.
precompute‘auto‘, bool oder array-ähnlich der Form (n_features, n_features), Standardwert=’auto’: Ob eine vorberechnete Gram-Matrix verwendet werden soll, um Berechnungen zu beschleunigen. Wenn auf 'auto' gesetzt, entscheiden wir. Die Gram-Matrix kann auch als Argument übergeben werden.
Xyarray-ähnlich der Form (n_features,) oder (n_features, n_targets), Standardwert=None: Xy = np.dot(X.T, y), was vorab berechnet werden kann. Dies ist nur nützlich, wenn die Gram-Matrix vorab berechnet wurde.
copy_Xbool, Standardwert=True: Wenn True, wird X kopiert; andernfalls kann es überschrieben werden.
coef_initarray-ähnlich der Form (n_features,), Standardwert=None: Die Anfangswerte der Koeffizienten.
verbosebool oder int, default=False: Ausmaß der Ausführlichkeit.
return_n_iterbool, Standard=False: Ob die Anzahl der Iterationen zurückgegeben werden soll oder nicht.
positivebool, Standardwert=False: Wenn True gesetzt, werden die Koeffizienten auf positiv erzwungen. (Nur erlaubt, wenn y.ndim == 1).
check_inputbool, Standardwert=True: Wenn False gesetzt, werden die Eingabevalidierungsprüfungen übersprungen (einschließlich der Gram-Matrix, wenn sie bereitgestellt wird). Es wird davon ausgegangen, dass diese vom Aufrufer behandelt werden.
**paramskwargs: Schlüsselwortargumente, die an den Koordinatenabstiegslöser übergeben werden.

Gibt zurück:

alphasndarray der Form (n_alphas,): Die Alphas entlang des Pfades, auf dem Modelle berechnet werden.
coefsndarray der Form (n_features, n_alphas) oder (n_targets, n_features, n_alphas): Koeffizienten entlang des Pfades.
dual_gapsndarray der Form (n_alphas,): Die dualen Abstände am Ende der Optimierung für jedes Alpha.
n_iterslist von int: Die Anzahl der Iterationen, die der Koordinatenabstieg-Optimierer benötigt, um die angegebene Toleranz für jedes Alpha zu erreichen. (Wird zurückgegeben, wenn return_n_iter auf True gesetzt ist).

Siehe auch

MultiTaskElasticNet: Multi-Task ElasticNet Modell, trainiert mit L1/L2 Mixed-Norm als Regularisator.
MultiTaskElasticNetCV: Multi-Task L1/L2 ElasticNet mit integrierter Kreuzvalidierung.
ElasticNet: Lineares Modell mit kombinierter L1- und L2-Prior als Regularisator.
ElasticNetCV: Elastic Net Modell mit iterativem Anpassen entlang eines Regularisierungspfades.

Anmerkungen

Ein Beispiel finden Sie unter Beispiele/linear_model/plot_lasso_lasso_lars_elasticnet_path.py.

Der zugrunde liegende Koordinatenabstiegslöser verwendet "gap-safe screening rules", um die Anpassungszeit zu beschleunigen, siehe Benutzerhandbuch zum Koordinatenabstieg.

Beispiele

>>> 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.,  0.787,  0.568],
        [ 0.,  1.120,  0.620],
        [-0., -2.129, -1.128],
        [ 0., 23.046, 88.939],
        [ 0., 10.637, 41.566]])

Galeriebeispiele#

Lasso, Lasso-LARS und Elastic Net Pfade

enet_path#

Galeriebeispiele#

Diese Seite