sklearn中的Lasso函数

语法：

 Lasso(alpha=1.0, fit_intercept=True, normalize=False, precompute=False, copy_X=True, max_iter=1000, tol=1e-4, warm_start=False, positive=False, random_state=None, selection=’cyclic’)

类型：

 在sklearn.linear_model.coordinate_descent中出现，Lasso类，继承自ElasticNet。使用L1作为正则化器训练的线性模型（即套索）。

 Lasso的最优目标函数是：

12⋅n_samples||y−Xw||22+α||w||1 1 2 ⋅ n _ s a m p l e s | | y − X w | | 2 2 + α | | w | | 1

 从技术上讲，Lasso模型优化了与 l1_ratio=1.0 l 1 _ r a t i o = 1.0 （没有L2惩罚）的弹性网相同的目标函数。

 在用户指导手册中查阅更多。

输入参数：

• 参数名：alpha
• 类型： float, optional *
• 说明：与L1项相乘的常数。默认为1.0。 α=1 α = 1 等价于一个普通最小平方，由线性回归对象求解。由于数值原因，不建议 α α 设置为0 的lasso对象。如果这样设置了，应该使用线性回归对象。

---

• 参数名：fit_intercept
• 类型： boolean
• 说明：是否计算该模型的截距。如果设置为False，将不会在计算中使用截距（比如，预处理数据已经中心化）

---

• 参数名：normalize
• 类型： boolean, optional, default False
• 说明：当fit_intercept设置为False时，该参数将会被忽略。如果为True，则回归前，回归变量X将会进行归一化，减去均值，然后除以L2范数。如果想要标准化，请在评估器（normalize参数为False）调用fit方法前调用sklean.preprocessing.StandardScaler。

---

• 参数名：precompute
• 类型：True | False | array-like, default=False
• 说明：是否使用预计算的Gram矩阵来加速计算。如果设置为’auto’让我们来决定。Gram矩阵也可以作为参数传递。对于稀疏输入，这个选项总是正确的，以保持稀疏性。

---

• 参数名：copy_X
• 类型：boolean, optional, default True
• 说明：如果是True，x将被复制，否则，有可能被覆盖。

---

• 参数名：max_iter
• 类型： int, optional
• 说明：最大迭代次数。

---

• 参数名：tol
• 类型：float, optional
• 说明：优化器的公差。如果更新值小于tol，优化器代码检查双差距的最佳性，并继续直到它小于tol。

---

• 参数名：warm_start

• 类型： bool, optional

• 说明：当设置为True时，重用之前调用的解决方案作为初始化，否则，只需要删除前面的解决方案

---

• 参数名：positive
• 类型：bool, optional
• 说明：当设为真时，系数为正。

---

• 参数名：random_state
• 类型：int, RandomState instance or None, optional, default None
• 说明：在对数据进行变换时使用伪随机数生成器的种子。如果int, random_state是随机数生成器使用的种子;如果随机状态实例，random_state是随机数发生器;如果没有，随机数生成器就是np.random使用的随机状态实例。当选择为 ’ random ‘时使用。

---

• 参数名：selection
• 类型：str, default ‘cyclic’
• 说明：如果设置为“random”，则每一次迭代都会更新一个随机系数，而不是在默认情况下按顺序循环。这(设置为“random”)通常会导致更快的收敛速度，尤其是当tol大于1e-4时。

属性

• 参数名：coef_
• 类型：array, shape (n_features,) | (n_targets, n_features)
• 说明：参数向量(损失函数表达式中的 w w )

---

• 参数名：sparse_coef_
• 类型：scipy.sparse matrix, shape (n_features, 1) | (n_targets, n_features)
• 说明：sparse_coef_ 是从coef_ 导出的只读属性

---

• 参数名：intercept_
• 类型：float | array, shape (n_targets,)
• 说明：决策函数中的独立项，即截距

---

• 参数名：n_iter_
• 类型： int | array-like, shape (n_targets,)
• 说明：由坐标下降求解器运行的，达到指定公差的迭代次数。

示例

from sklearn import linear_model
clf = linear_model.Lasso(alpha=0.1)
clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
print(clf.coef_)
# [ 0.85  0.  ]
print(clf.intercept_)
# 0.15

参阅

 lars_path ，lasso_path， LassoLars， LassoCV ，LassoLarsCV

  sklearn.decomposition.sparse_encode

笔记

 用于拟合模型的算法是坐标下降法。

 为了避免不必要的内存复制，应该将fit方法的X参数直接作为一个Fortran连续numpy数组传递。