在 sklearn 中访问从 ElasticNetCV 获得的正则化路径

Question

我想得到这些地块： 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。 这个例子确实

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)

这基本上需要从X,y 重新计算整个模型。 不幸的是，我没有X,y。

在训练中我使用了sklearn.linear_model.ElasticNetCV，它返回：

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.

虽然我需要改变 l1_ratio 和 alpha 的参数向量。

这可以在不重新计算的情况下完成吗？这将是极大的浪费时间，因为这些 coef_paths 实际上已经计算出来了

Answer 1

简答

一旦合适就不行了。

长答案

如果您查看ElasticNetCV 的源代码，您将看到在 fit 方法中，该类正在调用 enet_path，但将 alphas 设置为在 ElasticNet 中初始化的 alpha 值（默认为 1.0 ) 由ElasticNetCV 中的 alphas 值设置，最终将成为单个值。因此，无需计算允许您创建路径图的默认 100 个 alpha 值的系数，您只需为您在 CV 中设置的每个 alpha 值获取一个。话虽如此，您可以初始化 CV 中的 alpha 以模仿 enet_path 中的 100 默认值，然后组合每个折叠的系数，但这将是相当长的运行时间。正如您提到的，您已经适合 CV，这不是一个选择。