Python - 分类套索 sklearn - 如何预测类

Posted 2023-03-12

【中文标题】Python - 分类套索 sklearn - 如何预测类

【英文标题】：Python - Classification Lasso sklearn - How to predict classes

【发布时间】：2016-08-10 09:17:03

【问题描述】：

如下示例： http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Lasso.html

from sklearn import linear_model
clf = linear_model.Lasso(alpha=0.1)
clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])

clf.predict(np.array([0,0]).reshape(1,-1))
Out[13]: array([ 0.15])

我可以让预测成为分类而不是回归。换句话说，当我给它一个输入时，我想要一个分类的输出。

【问题讨论】：

你不能在回归后添加一些“if”语句吗？大多数分类器都基于将空间划分为子空间以便对它们进行标记。基本上，它只是在将您的数据映射到所需空间（通常是允许线性分类的空间）之后添加“if”语句。

我真的不确定。我想可能是四舍五入？

您可以使用带有 'l1' 惩罚的 sklearn.linear_model.LogisticRegression 模型。

【参考方案1】：

您可以使用 Lasso 对预测结果进行降序排序，所以前 50% 为 1，最后一个为 0。

【参考方案2】：

使用LogisticRegression 和penalty='l1'。 本质上，它是 Lasso 回归，但具有将类别分数转换为“获胜”类别输出标签的附加层。 正则化强度由C 定义，它是alpha 的INVERSE，由Lasso 使用。 Scikit-learn 对线性模型有一个非常好的简要概述：https://scikit-learn.org/stable/modules/linear_model.html

【讨论】：

我相信penalty='l2' 不会导致 Lasso 回归。这是岭回归/分类。一个人想指定penalty='l1'。

是的，@diadochos，你是对的 - LASSO（最小绝对收缩和选择运算符）使用权重向量的'l1' 范数。 'l2' 用于 Ridge/Tikhonov 正则化。我的滑倒。谢谢你指出。答案已更正。