econml.sklearn_extensions.linear_model.WeightedLassoCV

class econml.sklearn_extensions.linear_model.WeightedLassoCV(eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, precompute='auto', max_iter=1000, tol=0.0001, copy_X=True, cv=None, verbose=False, n_jobs=None, positive=False, random_state=None, selection='cyclic')[source]

接受权重的 sklearn LassoCV 版本。

参数

eps (float, optional) – 路径的长度。eps=1e-3 表示 alpha_min / alpha_max = 1e-3。

n_alphas (int, optional) – 沿着正则化路径的 alpha 数量
alphas (numpy array, optional) – 计算模型的 alpha 列表。如果为 None，则自动设置 alpha 值
fit_intercept (bool, default True) – 是否计算此模型的截距。如果设置为 false，则计算中不使用截距（例如，数据预计已中心化）。
precompute (True | False | ‘auto’ | array_like) – 是否使用预先计算的 Gram 矩阵来加速计算。如果设置为 'auto'，则由程序决定。Gram 矩阵也可以作为参数传入。
max_iter (int, optional) – 最大迭代次数
tol (float, optional) – 优化的容差：如果更新小于 tol，优化代码将检查对偶间隙的收敛性，并继续直到其小于 tol。
copy_X (bool, default True) – 如果为 True，则 X 将被复制；否则，可能会被覆盖。
cv (int, cross-validation generator or an iterable, optional) – 确定交叉验证分割策略。cv 的可能输入为： - None，使用默认的 3 折加权交叉验证， - 整数，指定折数。 - CV splitter， - 可迭代对象，生成 (train, test) 分割作为索引数组。对于整数/None 输入，使用 WeightedKFold。
如果为 None，则使用 5 折。

verbose (bool or int) – 详细程度。
n_jobs (int or None, optional) – 交叉验证期间使用的 CPU 数量。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。详情请参阅术语表。
positive (bool, optional) – 如果为正，则限制回归系数为正
random_state (int, RandomState instance, or None, default None) – 选择要更新的随机特征的伪随机数生成器的种子。如果为 int，则 random_state 是随机数生成器使用的种子；如果为 RandomState 实例，则 random_state 是随机数生成器；如果为 None，则随机数生成器是 RandomState 实例，由 np.random 使用。在 selection='random' 时使用。
selection (str, default ‘cyclic’) – 如果设置为 'random'，则每次迭代更新一个随机系数，而不是默认情况下按顺序循环遍历特征。这（设置为 'random'）通常会显着加快收敛速度，尤其是在 tol 高于 1e-4 时。
__init__(eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, precompute='auto', max_iter=1000, tol=0.0001, copy_X=True, cv=None, verbose=False, n_jobs=None, positive=False, random_state=None, selection='cyclic')[source]

方法

__init__([eps, n_alphas, alphas, ...])

`fit`(X, y[, sample_weight])
使用坐标下降法拟合模型。	`get_params`([deep])
获取此估计器的参数。	`path`(X, y, *[, eps, n_alphas, alphas, ...])
使用坐标下降法计算 Lasso 路径。	`predict`(X)
使用线性模型进行预测。	`score`(X, y[, sample_weight])
返回预测的决定系数。	`set_params`(**params)
设置此估计器的参数。	fit(X, y, sample_weight=None)[source]

X (ndarray or scipy.sparse matrix, (n_samples, n_features)) – 数据

get_params([deep])

eps (float, optional) – 路径的长度。eps=1e-3 表示 alpha_min / alpha_max = 1e-3。

y (ndarray, shape (n_samples,) or (n_samples, n_targets)) – 目标。必要时将转换为 X 的 dtype。
sample_weight (numpy array of shape [n_samples]) – 每个样本的个体权重。权重将在内部归一化。
get_params(deep=True)

deep (bool, default=True) – 如果为 True，将返回此估计器和包含的作为估计器的子对象的参数。

path(X, y, *[, eps, n_alphas, alphas, ...])

eps (float, optional) – 路径的长度。eps=1e-3 表示 alpha_min / alpha_max = 1e-3。: 返回值
params – 参数名称映射到其值。: 返回类型
dict: static path(X, y, *, 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, **params)

Lasso 优化函数对于单输出和多输出任务不同。

predict(X)

对于单输出任务，它是

对于多输出任务，它是

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

其中

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

即每行范数的总和。

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

在用户指南中了解更多信息。

X ({array-like, sparse matrix} of shape (n_samples, n_features)) – 训练数据。直接作为 Fortran 连续数据传递以避免不必要的内存复制。如果 y 是单输出，则 X 可以是稀疏的。

eps (float, optional) – 路径的长度。eps=1e-3 表示 alpha_min / alpha_max = 1e-3。

y ({array-like, sparse matrix} of shape (n_samples,) or (n_samples, n_targets)) – 目标值。
eps (float, default=1e-3) – 路径的长度。eps=1e-3 表示 alpha_min / alpha_max = 1e-3。
n_alphas (int, default=100) – 沿正则化路径的 alpha 数量。
alphas (ndarray, default=None) – 计算模型的 alpha 列表。如果为 None，则自动设置 alpha 值。
precompute (‘auto’, bool or array-like of shape (n_features, n_features), default=’auto’) – 是否使用预先计算的 Gram 矩阵来加速计算。如果设置为 'auto'，则由程序决定。Gram 矩阵也可以作为参数传入。
Xy (array-like of shape (n_features,) or (n_features, n_targets), default=None) – 可以预先计算的 Xy = np.dot(X.T, y)。仅当 Gram 矩阵预先计算时有用。
copy_X (bool, default=True) – 如果为 True，则 X 将被复制；否则，可能会被覆盖。
coef_init (ndarray of shape (n_features, ), default=None) – 系数的初始值。
verbose (bool or int, default=False) – 详细程度。
return_n_iter (bool, default=False) – 是否返回迭代次数。
positive (bool, default=False) – 如果设置为 True，则强制系数为正。（仅当 y.ndim == 1 时允许）。
**params (kwargs) – 传递给坐标下降求解器的关键字参数。
alphas (ndarray of shape (n_alphas,)) – 沿路径计算模型的 alpha 值。

params – 参数名称映射到其值。

coefs (ndarray of shape (n_features, n_alphas) or (n_targets, n_features, n_alphas)) – 沿路径的系数。
dual_gaps (ndarray of shape (n_alphas,)) – 每个 alpha 在优化结束时的对偶间隙。
n_iters (list of int) – 坐标下降优化器达到指定容差所需的迭代次数（每个 alpha）。
另请参阅

lars_path

使用 LARS 算法计算 Least Angle Regression 或 Lasso 路径。: Lasso
Lasso 是一种估计稀疏系数的线性模型。: LassoLars
使用 Least Angle Regression（又称 Lars）拟合的 Lasso 模型。: LassoCV
沿正则化路径迭代拟合的 Lasso 线性模型。: LassoLarsCV
使用 LARS 算法的交叉验证 Lasso。: sklearn.decomposition.sparse_encode
可用于将信号转换为固定原子稀疏线性组合的估计器。: 注意事项

示例请参阅 examples/linear_model/plot_lasso_coordinate_descent_path.py。

为了避免不必要的内存复制，fit 方法的 X 参数应直接作为 Fortran 连续的 numpy 数组传递。

请注意，在某些情况下，Lars 求解器实现此功能的速度可能明显更快。特别是，可以使用线性插值来检索 lars_path 输出值之间的模型系数。

示例

比较带有插值的 lasso_path 和 lars_path

predict(X)

>>> import numpy as np
>>> from sklearn.linear_model import lasso_path
>>> X = np.array([[1, 2, 3.1], [2.3, 5.4, 4.3]]).T
>>> y = np.array([1, 2, 3.1])
>>> # Use lasso_path to compute a coefficient path
>>> _, coef_path, _ = lasso_path(X, y, alphas=[5., 1., .5])
>>> print(coef_path)
[[0.         0.         0.46874778]
 [0.2159048  0.4425765  0.23689075]]

>>> # Now use lars_path and 1D linear interpolation to compute the
>>> # same path
>>> from sklearn.linear_model import lars_path
>>> alphas, active, coef_path_lars = lars_path(X, y, method='lasso')
>>> from scipy import interpolate
>>> coef_path_continuous = interpolate.interp1d(alphas[::-1],
...                                             coef_path_lars[:, ::-1])
>>> print(coef_path_continuous([5., 1., .5]))
[[0.         0.         0.46915237]
 [0.2159048  0.4425765  0.23668876]]

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

score(X, y[, sample_weight])

eps (float, optional) – 路径的长度。eps=1e-3 表示 alpha_min / alpha_max = 1e-3。: C – 返回预测值。
params – 参数名称映射到其值。: array, shape (n_samples,)
dict: score(X, y, sample_weight=None)

决定系数 \(R^2\) 定义为 \((1 - \frac{u}{v})\)，其中 \(u\) 是残差平方和 ((y_true - y_pred)** 2).sum()，\(v\) 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳分数是 1.0，也可能为负（因为模型可能任意差）。一个总是预测 y 期望值的常数模型（不考虑输入特征）的 \(R^2\) 分数为 0.0。

set_params(**params)

X (array-like of shape (n_samples, n_features)) – 测试样本。对于某些估计器，这可能是预先计算的核矩阵或形状为 (n_samples, n_samples_fitted) 的通用对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数量。

eps (float, optional) – 路径的长度。eps=1e-3 表示 alpha_min / alpha_max = 1e-3。

y (array-like of shape (n_samples,) or (n_samples, n_outputs)) – X 的真实值。
sample_weight (array-like of shape (n_samples,), default=None) – 样本权重。
score – self.predict(X) 相对于 y 的 \(R^2\)。

params – 参数名称映射到其值。

float

dict

在回归器上调用 score 时使用的 \(R^2\) 分数从 0.23 版本开始使用 multioutput='uniform_average'，以与 r2_score() 的默认值保持一致。这会影响所有多输出回归器（MultiOutputRegressor 除外）的 score 方法。

示例请参阅 examples/linear_model/plot_lasso_coordinate_descent_path.py。

set_params(**params)

此方法对简单估计器和嵌套对象（如 Pipeline）都有效。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。

fit(X, y, sample_weight=None)[source]

**params (dict) – 估计器参数。

eps (float, optional) – 路径的长度。eps=1e-3 表示 alpha_min / alpha_max = 1e-3。: self – 估计器实例。
params – 参数名称映射到其值。: 估计器实例
dict: 上一个下一个