时间戳

首页 > 解决方案 > 什么都不提供时，LassoCV 中的参数选择如何工作？

python - 什么都不提供时，LassoCV 中的参数选择如何工作？

问题描述

基本上，我想知道当没有提供时，sklearn 中的 LassoCV 如何选择 alpha 值（收缩参数）。运行语句时，

reg = LassoCV(cv = 5) # cv = 5 for 5 fold cross val
reg.fit(X, Y)

我对我得到的结果很满意；但是，我很好奇模型如何选择最佳 alpha。它是否只是简单地遍历具有给定容差的范围内的所有 alpha？

除此之外，我还想问一下，当您为其提供 alpha 值或使用 n_alphas 参数时会发生什么，即：

reg = LassoCV(cv = 5, alphas = [.1, .2, .001, ...])
reg = LassoCV(cv = 5, n_alphas = 100)

它如何确定这些 alpha 值中的哪一个是最好的？当提供多个 alpha 时，它会循环哪些 alpha？

谢谢你。

标签： pythonpython-3.xmachine-learningscikit-learncross-validation

解决方案

它如何确定这些 alpha 值中的哪一个是最好的？

它对所有提交的值进行交叉验证程序alpha，并返回最大的值score，根据文档，它是决定系数 R^2。

当提供多个 alpha 时，它会循环哪些 alpha？

用一个简单的例子很容易看出；仅仅n_alphas=5为了简单起见，我们得到：

from sklearn.linear_model import LassoCV
from sklearn.datasets import make_regression
X, y = make_regression(noise=4, random_state=0)
reg = LassoCV(cv=5, n_alphas=5, random_state=0).fit(X, y)

根据文档，拟合对象的属性之一是：

alphas_ : numpy 数组，形状 (n_alphas,)

用于拟合的 alpha 网格

所以，这里我们有：

reg.alphas_
# result:
array([  6.92751635e+01,   1.23190597e+01,   2.19067302e+00,
         3.89562872e-01,   6.92751635e-02])

精确值再次由参数 间接确定eps，其默认值为0.001; 再次来自文档：

每股收益：浮动，可选

路径的长度。eps=1e-3意思是alpha_min / alpha_max = 1e-3。

因此，本质上它设置了一个可能的 aplhas 网格，例如最小值与最大值的比率等于eps，这里0.001; 让我们验证一下在我们的简单示例中是否属于这种情况：

reg.alphas_[4]/reg.alphas_[0]
# result
0.00099999999999999959

出于所有实际目的，它确实等于0.001。

推荐阅读