`sklearn.linear_model`.MultiTaskLassoCV¶

class sklearn.linear_model.MultiTaskLassoCV¶

Modelo Lasso multitarea entrenado con la norma mixta L1/L2 como regularizador.

Ver entrada de glosario para cross-validation estimator.

El objetivo de optimización para MultiTaskLasso es:

(1 / (2 * n_samples)) * ||Y - XW||^Fro_2 + alpha * ||W||_21

Donde:

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

es decir, la suma de la norma de cada fila.

Más información en el Manual de usuario.

Nuevo en la versión 0.15.

Parámetros

epsflotante, default=1e-3

Longitud de la ruta. eps=1e-3 significa que alpha_min / alpha_max = 1e-3.

n_alphasentero, default=100

Número de alfas a lo largo de la ruta de regularización.

alphasarray-like, default=None

Lista de alfas donde calcular los modelos. Si es None los alfas se establecen automáticamente.

fit_interceptbooleano, default=True

Si se calcula el intercepto para este modelo. Si se establece en False, no se usara ningún intercepto en los cálculos (es decir, los datos se espera que estén centrados).

normalizebooleano, default=False

Este parámetro es ignorado cuando fit_intercept se establece como False. Si True, los regresores X serán normalizados antes de la regresión restando la media y dividiendo por la norma l2. Si tu deseas estandarizar, por favor utiliza StandardScaler antes de llamar fit en un estimador con normalize=False.

max_iterentero, default=1000

Número máximo de iteraciones.

tolflotante, default=1e-4

La tolerancia para la optimización: si las actualizaciones son menores que tol, el código de optimización comprueba la brecha dual para la optimalidad y continúa hasta que es menor que tol.

copy_Xbooleano, default=True

Si es True, X se copiará; si no, puede ser sobrescrito.

cventero, generador de validación cruzada o iterable, default=None

Determina la estrategia de división de la validación cruzada. Las posibles entradas para cv son:

None, para usar la validación cruzada de 5 partes por defecto,
entero, para especificar el número de pliegues.
separador de CV,
Un iterable dando (train, test) divisiones como arreglos de índices.

Para entradas None/enteros se usa KFold.

Consulta Manual de usuario para las diversas estrategias de validación cruzada que pueden ser utilizadas aquí.

Distinto en la versión 0.22: cv es el valor predeterminado si None cambió de 3 partes a 5 partes.

verbosebooleano o entero, default=False

Cantidad de verbosidad.

n_jobsentero, default=None

Número de CPUs a usar durante la validación cruzada. None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa utilizar todos los procesadores. Ver Glosario para más detalles.

random_stateentero, instancia de RandomState, default=None

La semilla del generador de números pseudo aleatorio que selecciona una característica aleatoria a actualizar. Usada cuando selection ==”random”. Pasa un entero para una salida reproducible a través de multiples llamadas de función. Ver Glosario.

selection{“cyclic”, “random”}, default=”cyclic”

Si se establece a “random”, un coeficiente aleatorio es actualizado cada iteración en lugar de hacer un bucle sobre características secuencialmente por defecto. Esto (establecer a “random”) a menudo lleva a convergencia significativamente mas rápida especialmente cuando tol es mayor que 1e-4.

Atributos

intercept_ndarray de forma (n_tasks,): Término independiente en la función de decisión.
coef_ndarray de forma (n_tasks, n_features): El parámetro vector (W en la fórmula de la función de costo). Ten en cuenta que coef_ almacena la transposición de W, W.T.
alpha_flotante: La cantidad de penalización elegida por validación cruzada.
mse_path_ndarray de forma (n_alphas, n_folds): Error cuadrático medio para el conjunto de prueba en cada parte, variando l1_ratio y alfa.
alphas_ndarray de forma (n_alphas,): La rejilla de alfas utilizada para el ajuste.
n_iter_entero: Número de iteraciones ejecutadas por el solucionador de descenso de coordenadas para alcanzar la tolerancia especificada para el alfa óptimo.
dual_gap_flotante: Los huecos duales al final de la optimización para el alfa óptimo.

Ver también

MultiTaskElasticNet
ElasticNetCV
MultiTaskElasticNetCV

Notas

El algoritmo utilizado para encajar el modelo es el descenso de coordenadas.

Para evitar la duplicación innecesaria de la memoria, los argumentos X y y del método de ajuste deben pasarse directamente como arreglos numpy de Fortran-contiguo.

Ejemplos

>>> from sklearn.linear_model import MultiTaskLassoCV
>>> from sklearn.datasets import make_regression
>>> from sklearn.metrics import r2_score
>>> X, y = make_regression(n_targets=2, noise=4, random_state=0)
>>> reg = MultiTaskLassoCV(cv=5, random_state=0).fit(X, y)
>>> r2_score(y, reg.predict(X))
0.9994...
>>> reg.alpha_
0.5713...
>>> reg.predict(X[:1,])
array([[153.7971...,  94.9015...]])

Métodos

`fit`	Ajustar el modelo lineal del descenso de coordenadas.
`get_params`	Obtiene los parámetros para este estimador.
`path`	Calcula la ruta Lasso con el descenso de coordenadas
`predict`	Predice utilizando el modelo lineal.
`score`	Devuelve el coeficiente de determinación \(R^2\) de la predicción.
`set_params`	Establece los parámetros de este estimador.

fit()¶

Ajustar el modelo lineal del descenso de coordenadas.

El ajuste esta en la cuadrícula de alfas y el mejor alfa estimado por validación cruzada.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Datos de entrenamiento. Pase directamente como datos Fortran-contiguos para evitar la duplicación innecesaria de memoria. Si y es mono-salida entonces X puede ser disperso.
yarray-like de forma (n_samples,) o (n_samples, n_targets): Valores objetivo.

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbooleano, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict: Nombres de parámetros mapeados a sus valores.

static path()¶

Calcula la ruta Lasso con el descenso de coordenadas

La función de optimización Lasso varía para mono y multi-salidas.

Para las tareas mono-salida es:

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

Para tareas multi-salidas es:

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

Donde:

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

es decir, la suma de la norma de cada fila.

Más información en el Manual de usuario.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Datos de entrenamiento. Pase directamente como datos Fortran-contiguos para evitar la duplicación innecesaria de memoria. Si y es mono-salida entonces X puede ser disperso.
y{array-like, sparse matrix} de forma (n_samples,), o (n_samples, n_outputs): Valores objetivo
epsflotante, default=1e-3: Longitud de la ruta. eps=1e-3 significa que alpha_min / alpha_max = 1e-3
n_alphasentero, default=100: Número de alfas a lo largo de la ruta de regularización
alphasndarray, default=None: Lista de alfas donde calcular los modelos. Si es None los alfas se establecen automáticamente
precompute“auto”, bool or array-like of shape (n_features, n_features), default=”auto”: Si usar una matriz precalculada Gram para acelerar los cálculos. Si se establece como 'auto', nosotros decidimos. La matriz de Gram puede también ser pasada como un argumento.
Xyarray-like de forma (n_features,) o (n_features, n_outputs), default=None: Xy = np.dot(X.T, y) que puede ser precalculado. Es útil sólo cuando la matriz Gram está precalculada.
copy_Xbooleano, default=True: Si es True, X se copiará; si no, puede ser sobrescrito.
coef_initndarray de forma (n_features, ), default=None: Los valores iniciales de los coeficientes.
verbosebooleano o entero, default=False: Cantidad de verbosidad.
return_n_iterbooleano, default=False: si se devuelve o no el número de iteraciones.
positivebooleano, default=False: Si se establece como True, obliga a los coeficientes a ser positivos. (Sólo se permite cuando y.ndim ==1).
**paramskwargs: argumentos de palabras clave que se pasan al solucionador de descenso de coordenadas.

Devuelve

alphasndarray de forma (n_alphas,): Los alfas a lo largo del camino donde se calculan los modelos.
coefsndarray de forma (n_features, n_alphas) o (n_outputs, n_features, n_alphas): Coeficientes a lo largo del camino.
dual_gapsndarray de forma (n_alphas,): Los huecos duales al final de la optimización para cada alfa.
n_iterslista de enteros: El número de iteraciones que toma el optimizador de descenso coordinado para alcanzar la tolerancia especificada para cada alfa.

Ver también

lars_path
Lasso
LassoLars
LassoCV
LassoLarsCV
sklearn.decomposition.sparse_encode

Notas

Para un ejemplo, ver examples/linear_model/plot_lasso_coordinate_descent_path.py.

Para evitar duplicaciones de memoria innecesarias, el argumento X del método fit debe ser pasado directamente como un arreglo numpy Fortran-contiguo.

Ten en cuenta que en ciertos casos, el solucionador de Lars puede ser significativamente más rápido para implementar esta funcionalidad. En particular, la interpolación lineal puede utilizarse para recuperar coeficientes de modelo entre los valores de salida por lars_path

Ejemplos

Comparando lasso_path y lars_path con interpolación:

>>> 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]]

predict()¶

Predice utilizando el modelo lineal.

Parámetros

Xarray-like o matriz dispersa, forma (n_samples, n_features): Muestras.

Devuelve

Carreglo, forma (n_samples,): Devuelve los valores predichos.

score()¶

Devuelve el coeficiente de determinación \(R^2\) de la predicción.

El coeficiente \(R^2\) se define como \((1 - \frac{u}{v})\), donde \(u\) es la suma residual de cuadrados ((y_true - y_pred) ** 2).sum() y \(v\) es la suma total de cuadrados ((y_true - y_true.mean()) ** 2).sum(). El mejor valor posible es 1.0 y puede ser negativo (porque el modelo puede ser arbitrariamente peor). Un modelo constante que siempre predice el valor esperado de y, sin tener en cuenta las características de entrada, obtendría un valor \(R^2\) de 0,0.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras de prueba. Para algunos estimadores puede ser una matriz de núcleo precalculada o una lista de objetos genéricos con forma (n_samples, n_samples_fitted), donde n_samples_fitted es el número de muestras utilizadas en el ajuste para el estimador.
yarray-like de forma (n_samples,) o (n_samples, n_outputs): Valores verdaderos para X.
sample_weightarray-like de forma (n_samples,), default=None: Ponderaciones de muestra.

Devuelve

scoreflotante: \(R^2\) de self.predict(X) con respecto a y.

Notas

El valor \(R^2\) utilizado al llamar a score en un regresor utiliza multioutput='uniform_average' desde la versión 0.23 para mantener la coherencia con el valor predeterminado de r2_score`. Esto influye en el método score de todos los regresores de salida múltiple (excepto para MultiOutputRegressor).

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto con estimadores simples como con objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devuelve

selfinstancia del estimador: Instancia del estimador.