set_params ( **params )

设置此估算器的参数。该方法适用于简单的估计器以及嵌套对象(如管道)。后者具有<component>  __ <parameter>形式的参数，以便可以更新嵌套对象的每个组件。

输入

**params

dict估计器参数。

输出

self

估计器实例

sparsify()

将系数矩阵转换为稀疏格式。将coef_成员转换为稀疏的矩阵。对于L1正则化模型，它可以比平常numpy.ndarray描述更节省内存和存储。intercept_没有转化。

输出

self

拟合估计量

属性

解释

alpha

{float, ndarray of shape (n_targets,)}, 默认=1.0

正则化强度；必须是正浮点数。正则化改进了问题的条件，减少了估计的方差。值越大，正则化越强。Alpha对应于其他线性模型中的1/(2C)，如logisticsregression或LinearSVC。如果传递了数组，则假定惩罚是特定于目标的。因此它们在数量上必须一致。

fit_intercept

bool, 默认=True。是否适合此模型的截距。如果设置为false，则在计算中不使用截距（即X和y应居中）。

normalize

bool, 默认=False。当fit_intercept设置为False时，将忽略此参数。如果为真，回归系数X将在回归前通过减去平均值并除以l2范数进行归一化。如果您希望标准化，请在对normalize=False的估计器调用fit之前使用StandardScaler。

copy_X

bool, 默认=True。如果为True，则复制X；否则，可能会覆盖X。

max_iter

max_iterint, 默认=None. 共轭梯度解算器的最大迭代次数。对于'sparse_cg'和'lsqr'解算器，默认值由scipy.sparse.linalg. 对于'sag'解算器，默认值为1000。

tol

float, 默认=1e-3

指定模型求解最优化问题的算法。

solver

{'auto', 'svd', 'cholesky', 'lsqr', 'sparse_cg', 'sag', 'saga'}, 默认='auto'

在计算例程中使用的解算器：

'auto'根据数据类型自动选择解算器。

'svd'使用X的奇异值分解来计算岭系数。对于奇异矩阵，比'cholesky'更稳定。

'cholesky'使用标准scipy.linalg.solve解决方案函数以获得闭式解。

'sparse_cg'使用共轭梯度解算器，如中所示scipy.sparse.linalg.cg。作为一种迭代算法，该求解器比'cholesky'更适用于大规模数据(可以设置tol和max iter)。

'lsqr'使用专用的正则化最小二乘例程scipy.sparse.linalg.lsqr。它是最快的，并且使用迭代过程。

'sag'使用随机平均梯度下降，'sag'使用改进的无偏版本saga。这两种方法也都使用迭代过程，并且当n_samples和n_features都很大时，通常比其他解算器更快。请注意，'sag'和'saga'快速收敛仅在具有近似相同比例的特征上得到保证。您可以使用来自的定标器对数据进行预处理sklearn.预处理.

最后五个解算器都支持密集和稀疏数据。但是，当fit_intercept为真时，只有'sag'和'sparse_cg'支持稀疏输入。

新版本0.17：随机平均梯度下降解算器。

版本0.19中的新功能：SAGA solver。

random_state

int, RandomState instance, 默认=None

当solver=='sag'或'saga'时用于洗牌数据。

版本0.17中的新功能：支持随机平均梯度的随机状态。

属性

解释

coef_

ndarray of shape (n_features,) or (n_targets, n_features)

权重向量。

intercept_

float or ndarray of shape (n_targets,)。决策函数中的独立项。如果fit_intercept = False，则设置为0.0。

n_iter_

None or ndarray of shape (n_targets,)。每个目标的实际迭代次数。仅适用于sag和lsqr解算器。其他解算器将不返回任何值。版本0.17中的新功能。

fit(X,y,sample_weight=None)

拟合岭回归模型。

输入

X

{ndarray, sparse matrix} of shape (n_samples, n_features)

训练数据

y

ndarray of shape (n_samples,) or (n_samples, n_targets)。目标值

sample_weight

每个样品的单独权重。如果给定一个float，每个样品的权重都是一样的。

输出

self

返回self的实例

get_params(deep=True)

获取此估计器的参数

输入

deep

bool, 默认=True如果为True，则将返回此估计器的参数以及作为估计器的包含子对象

输出

dict

映射到其值的参数名称。

predict(X)

用线性模型预测。

输入

X

array-like or sparse matrix, shape (n_samples, n_features)。样本

输出

C

array, shape (n_samples,)返回预测值。

score (X,  y,  sample_weight=None)

返回给定测试数据和标签的平均精确度。在多标签分类中，这是子集精度，这是一个苛刻的度量标准，因为您需要为每个样本准确地预测每个标签集。

输入

X

array-like, shape = (n_samples,  n_features)。测试样本

y 

array-like, shape = (n_samples)  or (n_samples, n_outputs)。真的X标签。

sample_weight

array-like, shape = [n_samples],  optional。测试权重

输出

score 

float。R²平均精度self.predict(X) wrt. y.

set_params ( **params )

设置此估算器的参数。该方法适用于简单的估计器以及嵌套对象(如管道)。后者具有<component>  __ <parameter>形式的参数，以便可以更新嵌套对象的每个组件。

输入

**params

dict估计器参数。

输出

self

估计器实例

参数

解释

alpha

float, 默认=1.0.乘以L1项的常数。默认为1.0。alpha=0相当于一个普通的最小二乘法，由线性回归对象求解。由于数值原因，不建议对套索对象使用alpha=0。鉴于此，您应该使用LinearRegression对象。

fit_intercept

bool, 默认=True.是否计算此模型的截距。如果设置为False，则在计算中不使用截距(即数据应居中)。

normalize

bool, 默认=False.当fit_intercept 设置为False时，将忽略此参数。如果为真，回归系数X将在回归前通过减去平均值并除以l2范数进行归一化。如果您希望标准化，请在对normalize=False的估计器调用fit之前使用StandardScaler。

precompute

'auto', bool or array-like of shape (n_features, n_features), 默认=False.是否使用预先计算的Gram矩阵来加速计算。如果设置为'auto'，让我们决定。Gram矩阵也可以作为参数传递。对于稀疏输入，此选项始终为True以保持稀疏性。

copy_X

bool, 默认=True.如果为True，则复制X；否则，可能会覆盖X。

max_iter

int, 默认=1000.最大迭代数。

tol

float, 默认=1e-4.优化的容差：如果更新小于tol，优化代码将检查对偶间隙的最优性，并一直持续到它小于tol。

warm_start

bool, 默认=False.当设置为True时，重用上一个调用的解决方案以适应初始化，否则，只需擦除上一个解决方案。

positive

bool, 默认=False.设置为True时，强制系数为正。

random_state

int, RandomState instance, 默认=None.伪随机数生成器的种子，用于选择要更新的随机特征。当selection =='random’时使用。在多个函数调用之间传递一个int以获得可复制的输出。

selection

 {'cyclic','random'}, 默认='cyclic'.如果设置为'random'}, ，则每个迭代都会更新一个随机系数，而不是默认情况下按顺序在特征上循环。这(设置为'random'},  )通常会导致显著更快的收敛，尤其是当tol高于1e-4时。

属性

解释

coef_

ndarray of shape (n_features,) or (n_targets, n_features). 参数向量(成本函数公式中的w)

dual_gap_

float or ndarray of shape (n_targets,).给定参数 alpha，优化结束时的双间隙，与y的每次观测形状相同。

sparse_coef_

sparse matrix of shape (n_features, 1) or (n_targets, n_features).拟合系数coef_.的稀疏表示。

intercept

float or ndarray of shape (n_targets,).b值,决策函数中的独立项。

n_iter_

int or list of int.实际迭代次数,由坐标下降解算器运行以达到指定公差的迭代次数。

fit(X,y,sample_weight=None)

用坐标下降法拟合模型。

输入

X

{ndarray, sparse matrix} of shape (n_samples, n_features)

训练数据

y

ndarray of shape (n_samples,) or (n_samples, n_targets)。目标。如有必要，将转换为X的数据类型。

sample_weight

float or array-like of shape (n_samples,), 默认=None

样品的权重。版本0.23.中加入

check_input

bool, 默认=True.允许绕过多个输入检查。除非您知道自己在做什么，否则不要使用此参数。

get_params(deep=True)

获取此估计器的参数

输入

deep

bool, 默认=True如果为True，则将返回此估计器的参数以及作为估计器的包含子对象

输出

dict

映射到其值的参数名称。

static path(*args,  **kwargs)[source]

用坐标下降法计算弹性网径。

单输出和多输出的弹性网络优化函数各不相同。

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||_Fro²

当

||W||_21=\sum_i\sqrt{\sum_jw_{ij}²}

即：每行的范数之和。

输入

X

{array-like, sparse matrix} of shape (n_samples, n_features)。训练数据。作为Fortran连续数据直接传递，以避免不必要的内存重复。如果y是单输出，那么X可以是稀疏的。

y

{array-like, sparse matrix} of shape (n_samples,) or (n_samples,  n_outputs)。目标值

l1_ratio

float, 默认=0.5。传递到弹性网的0到1之间的数字（在l1和l2之间缩放）。l l1_ratio=1对应套索。

eps

float, 默认=1e-3。路径的长度。eps=1e-3意味着alpha_min/alpha_max=1e-3。

n_alphas

int, 默认=100

沿正则化路径的字母数。

alphas

ndarray, 默认=None。用于计算模型的alpha列表。如果没有自动设置字母。

precompute

 'auto', bool or array-like  of shape (n_features, n_features), 默认='auto'。是否使用预先计算的Gram矩阵来加速计算。如果设置为'auto'，让我们决定。Gram矩阵也可以作为参数传递。

Xy

array-like of shape (n_features,) or (n_features, n_outputs), 默认=None。Xy = np.dot(X.T, y) 可以预先计算的。它只有在预先计算Gram矩阵时才有用。

copy_X

bool, 默认=True

如果为True，则复制X；否则，可能会覆盖X。

coef_init

ndarray of shape (n_features, ), 默认=None。系数的初始值

verbose

bool or int, 默认=False。冗长的程度。.

return_n_iter

bool, 默认=False。是否返回迭代次数。

positive

bool, 默认=False。如果设置为真，则强制系数为正。(仅当y.ndim==1时允许)。

check_input

bool, 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)。假设它们是由调用方处理的。

**params

Kwargs。传递给坐标下降解算器的关键字参数。

输出

alphas

ndarray of shape (n_alphas,) 。沿模型计算路径的字母。

coefs

ndarray of shape (n_features, n_alphas) or (n_outputs, n_features,  n_alphas) 沿路径的系数。

dual_gaps

ndarray of shape (n_alphas,)。每个alpha优化结束时的双间隙。

n_iters

list of int。坐标下降优化器为达到每个alpha的指定公差而进行的迭代次数。(当return iter设置为True时返回)。

predict(X)

用线性模型预测。

输入

X

array-like or sparse matrix, shape (n_samples, n_features)。样本

输出

C

array, shape (n_samples,)返回预测值。

score (X,  y,  sample_weight=None)

返回预测的确定系数R²。系数R²定义为                                                                  ，其中是平方的剩余和((y_true - y_pred)²).sum()，是平方的总和((y_true - y_true.mean())²).sum()。最好的可能得分是1.0，它可以是负数（因为模型可以任意更差）。如果一个常数模型总是预测y的期望值，而不考虑输入特征，则R²值为0.0。

输入

X

array-like, shape = (n_samples,  n_features)。测试样品。对于某些估计器，这可能是一个预计算的核矩阵或一个通用对象列表，而不是形状(n_samples, n_samples_fitted)，其中n_samples_fitted是估计器拟合中使用的样本数。

y 

array-like, shape = (n_samples)  or (n_samples, n_outputs)。真的X标签。

sample_weight

array-like, shape = [n_samples],  optional。测试权重

输出

score 

float。R²平均精度self.predict(X) wrt. y.

set_params ( **params )

设置此估算器的参数。该方法适用于简单的估计器以及嵌套对象(如管道)。后者具有<component>  __ <parameter>形式的参数，以便可以更新嵌套对象的每个组件。

输入

**params

dict估计器参数。

输出

self

估计器实例

property  sparse_coef_

拟合系数的稀疏coef_表示。

拟合系数的稀疏表示。