sklearn.linear_model.enet_path¶
- sklearn.linear_model.enet_path()¶
Calcula la ruta de red elástica con el descenso de coordenadas.
La función de optimización de red elástica varía para salidas mono y múltiples.
Para las tareas mono-salida es:
1 / (2 * n_samples) * ||y - Xw||^2_2 + alpha * l1_ratio * ||w||_1 + 0.5 * alpha * (1 - l1_ratio) * ||w||^2_2
Para tareas multi-salidas es:
(1 / (2 * n_samples)) * ||Y - XW||^Fro_2 + alpha * l1_ratio * ||W||_21 + 0.5 * alpha * (1 - l1_ratio) * ||W||_Fro^2
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
yes mono-salida entoncesXpuede ser disperso.- y{array-like, sparse matrix} de forma (n_samples,), o (n_samples, n_outputs)
Valores objetivo.
- l1_ratiofloat, default=0.5
Número entre 0 y 1 pasado a la red elástica (escalado entre penalizaciones l1 y l2).
l1_ratio=1corresponde al Lasso.- epsfloat, default=1e-3
Longitud de la ruta.
eps=1e-3significa quealpha_min / alpha_max = 1e-3.- n_alphasint, 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 o array-like de forma (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_Xbool, 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.
- verbosebool o entero, default=False
Cantidad de verbosidad.
- return_n_iterbooleano, default=False
Si se devuelve o no el número de iteraciones.
- positivobooleano, default=False
Si se establece como True, obliga a los coeficientes a ser positivos. (Sólo se permite cuando
y.ndim ==1).- check_inputbool, default=True
Si se establece como False, las comprobaciones de validación de entrada se omiten (incluyendo la matriz de Gram cuando se proporciona). Se asume que serán manejados por el llamador.
- **paramskwargs
Argumentos de palabra clave pasados 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 int
El número de iteraciones tomadas por el optimizador de descenso de coordenadas para alcanzar la tolerancia especificada para cada alfa. (Es devuelto cuando
return_n_iterestá establecido a True).
Notas
Para un ejemplo, ver examples/linear_model/plot_lasso_coordinate_descent_path.py.
