(sklearn)ElasticNet回归 sklearn.linear_model.ElasticNet用法

class sklearn.linear_model.ElasticNet(alpha=1.0, l1_ratio=0.5, fit_intercept=True, normalize=False, precompute=False, max_iter=1000, copy_X=True, tol=0.0001, warm_start=False, positive=False, random_state=None, selection=’cyclic’)

Elastic回归使对Lasso回归和岭回归的一种融合，其惩罚项是L1范数和L2范数的一个权衡。

参数：

alpha : α值。

l1_ratio：ρ值，ElasticNet混合参数，其中0 <= l1_ratio <= 1。对于l1_ratio = 0，惩罚为L2范数。 对于l1_ratio = 1，为L1范数。 对于0 

               <l1_ratio<1，惩罚是L1和L2的组合。

fit_intercept：一个布尔值，制定是否需要b值。
max_iter：一个整数，指定最大迭代数。
normalize：一个布尔值。如果为True，那么训练样本会在回归之前会被归一化。
copy_X：一个布尔值。如果为True，会复制X，否则会覆盖X。

precompute：一个布尔值或者一个序列。它决定是否提前计算Gram矩阵来加速计算。Gram也可以传递参数， 对于稀疏输入，此选项始终

                       为“True”以保留稀疏性。
tol：一个浮点数，指定判断迭代收敛与否的一个阈值。
warm_start：一个布尔值。如果为True，那么使用前一次训练结果继续训练，否则从头开始训练。
positive：一个布尔值。如果为True，那么强制要求权重向量的分量都为整数。

selection：一个字符串，可以选择‘cyclic’或者‘random’。它指定了当每轮迭代的时候，选择权重向量的哪个分量来更新。

• ‘ramdom’：更新的时候，随机选择权重向量的一个分量来更新。
• ‘cyclic’：更新的时候，从前向后一次选择权重向量的一个分量来更新。

random_state：一个整数或者一个RandomState实例，或者None。

• 如果为整数，则它指定了随机数生成器的种子。
  
• 如果为RandomState实例，则指定了随机数生成器。
  
• 如果为None，则使用默认的随机数生成器。 

返回值

coef_：权重向量。

intercept：b值。

n_iter_：实际迭代次数。

方法

fix(X,y[,sample_weight])：训练模型。

predict(X)：用模型进行预测，返回预测值。

score(X,y[,sample_weight])：返回预测性能的得分，不大于1，越大效果越好。

get_params（[deep]）：获取此估计器的参数。
set_params（** params）：设置此估计器的参数。

官方说明：http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.ElasticNet.html