sklearn.linear_model.Lasso

Posted 2021-03-06 happypeak

class sklearn.linear_model.Lasso(alpha=1.0, fit_intercept=True, normalize=False, precompute=False, copy_X=True, max_iter=1000, tol=0.0001, warm_start=False, positive=False, random_state=None, selection=‘cyclic‘)

目标函数

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

参数（Parameters）

• alpha：float, optional

　　正则项参数。常数。默认值1.0。alpha=0时转化为最小二乘估计，由线性回归模型求解。使用Lasso模型时，通常令alpha≠0。

• fit_intercept：boolean, optional, default True

　　是否计算截距。如果为False，对数据进行去中心化处理。

• normalize：boolean, optional, default False

　　当fit_intercept=False时，该参数忽略。如果为normalize=True，使用回归模型之前先对回归数据X进行去均值和除以l2范数的处理。如果要对数据X进行标准化，令normalize=False，并在调用fit方法之前，使用sklearn.preprocessing.StandardScaler进行标准化。


• precompute：True | False | array-like, default=False

　　是否使用事先计算好的Gram矩阵来加速模型计算。如果precompute=‘auto‘，让程序自动决定。Gram矩阵可以作为参数被传递。对于稀疏数据，通常令precompute=True，保留稀疏性。

• copy_X：boolean, optional, default True

　　如果copy_X=True，复制X；如果copy_X=False，覆盖上次运行的X。

• max_iter：int, optional

　　最大迭代次数。

• tol：float, optional

　　优化容忍度：如果更新大于tol，继续优化，直到小于tol。

• warm_start：bool, optional

　　如果warm_start=True，使用上次的解作为初始化；如果warm_start=False，清除之前的解。

• positive：bool, optional

　　如果positive=True，强制将系数设为正数。

• random_state：int, RandomState instance or None, optional, default None

　　伪随机数发生器种子，随机选择特征来更新模型。如果为int，random_state即为随机数发生器使用的种子；如果为RandomState实例，random_state即为随机数发生器；如果为None，随机数发生器为np.random使用的随机数发生器实例。该参数仅当selection=‘random’时使用。

• selection：str, default ‘cyclic’

　　如果为‘random’，每次迭代都会更新随机系数，而不是按顺序遍历每个特征。该参数值可以使得算法更快收敛，尤其当tol>1e-4时。

属性（Attributes）

• coef_：array, shape (n_features,) | (n_targets, n_features)

　　系数向量。目标函数中的w。

• sparse_coef_：scipy.sparse matrix, shape (n_features, 1) | (n_targets, n_features)

　　求解的coef_的稀疏表示。

• intercept_：float | array, shape (n_targets,)

　　决策函数的依赖项。

• n_iter_：int | array-like, shape (n_targets,)

　　坐标下降法求解达到容忍度时的迭代次数。

注意

1. 模型拟合算法是坐标下降法
2. 为避免不必要的内存占用，X应为numpy数组。

方法（Methods）

• fit(self, X, y[, check_input])：使用坐标下降法拟合模型。

• get_params(self[, deep])：获得Lasso模型的参数。

• path(X, y[, l1_ratio, eps, n_alphas, …])：使用坐标下降法计算elastic net path。

• predict(self, X)：模型预测。

• score(self, X, y[, sample_weight])：返回预测误差。

• set_params(self, **params)：设置估计器的参数。