访问sklearn中从ElasticNetCV获得的正则化路径

Question

我想得到这些情节： http://scikit-learn.org/stable/auto_examples/linear_model/plot_lasso_coordinate_descent_path.html

来自我已经训练过的弹性网。 这个例子是

from sklearn.linear_model import lasso_path, enet_path
from sklearn import datasets

diabetes = datasets.load_diabetes()
X = diabetes.data
print("Computing regularization path using the elastic net...")
alphas_enet, coefs_enet, _ = enet_path(
    X, y, eps=eps, l1_ratio=0.8, fit_intercept=False)

基本上需要从X,y整个模型重新计算。 不幸的是，我没有X,y。

在培训中，我使用sklearn.linear_model.ElasticNetCV返回：

coef_ : array, shape (n_features,) | (n_targets, n_features)

    parameter vector (w in the cost function formula)

mse_path_ : array, shape (n_l1_ratio, n_alpha, n_folds)

Mean square error for the test set on each fold, varying l1_ratio and alpha.

虽然我需要参数向量变化l1_ratio和alpha。

这可以在没有重新计算的情况下完成吗？由于那些coef_paths实际上已经计算过，这将是一个巨大的浪费时间

Answer 1

简短回答

不适合。

答案很长

如果您查看ElasticNetCV的源代码，您会看到该类在fit方法中调用enet_path，但alphas设置为初始化的alpha值ElasticNet（默认值1.0），由ElasticNetCV中的alpha值设置，最终为单个值。因此，不是计算允许您创建路径图的默认100 alpha值的系数，而是只为您在CV中设置的每个alpha值获得一个。话虽这么说你可以初始化你的CV中的alphas来模仿enet_path中的100默认值然后合并每个折叠的系数，但这将是相当长的运行。如你所说，你已经适合了CV，这不是一个选择。