sklearn.linear_model.Lasso解读

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

使用 L1 先验作为正则化器（又名 Lasso）训练的线性模型。

Lasso 的优化目标是：
$$(1/(2\ast nsamples))\ast ||y-Xw|{|}_2^2+\alpha \ast ||w|{|}_1$$

从技术上讲，Lasso 模型优化了与弹性网络相同的目标函数，其中 l1_ratio=1.0（没有 L2 惩罚）。
Parameters:

• alpha:默认=1.0
  • 乘以 L1 项的常数，控制正则化强度。 alpha 必须是非负浮点数，即在 [0, inf) 中。
• fit_intercept:
• normalize:

>>> from sklearn import linear_model
>>> reg = linear_model.Lasso(alpha=0.1)
>>> reg.fit([[0, 0], [1, 1]], [0, 1])
Lasso(alpha=0.1)
>>> reg.predict([[1, 1]])
array([0.8])