跳到主要内容

LassoLarsIC回归使用文档

组件名称LassoLarsIC回归
工具集机器学习
组件作者雪浪云-墨文
文档版本1.0
功能LassoLarsIC回归算法
镜像名称ml_components:3
开发语言Python

组件原理​

LassoLarsIC类的损失函数和损失函数的优化方法完全与LassoLarsCV类相同，区别在于验证方法。

验证方法​

LassoLarsIC类对超参数α没有使用交叉验证，而是用 Akaike信息准则(AIC)和贝叶斯信息准则(BIC)。此时我们并不需要指定备选的α值，而是由LassoLarsIC类基于AIC和BIC自己选择。用LassoLarsIC类我们可以一轮找到超参数α，而用K折交叉验证的话，我们需要K+1轮才能找到。相比之下LassoLarsIC类寻找α更快。

###使用场景

从验证方法可以看出，验证αLassoLarsIC比LassoLarsCV快很多。那么是不是LassoLarsIC类一定比LassoLarsCV类好呢？ 不一定！由于使用了AIC和BIC准则，我们的数据必须满足一定的条件才能用LassoLarsIC类。这样的准则需要对解的自由度做一个适当的估计。该估计是来自大样本（渐近结果），并假设该模型是正确的（即这些数据确实是由假设的模型产生的）。当待求解的问题的条件数很差的时候（比如特征个数大于样本数量的时候），这些准则就会有崩溃的风险。所以除非我们知道数据是来自一个模型确定的大样本，并且样本数量够大，我们才能用LassoLarsIC。而实际上我们得到的数据大部分都不能满足这个要求，实际应用中我没有用到过这个看上去很美的类。

输入桩​

支持单个csv文件输入。

输入端子1​

  • 端口名称：训练数据
  • 输入类型：Csv文件
  • 功能描述： 输入用于训练的数据

输出桩​

支持sklearn模型输出。

输出端子1​

  • 端口名称：输出模型
  • 输出类型：sklearn模型
  • 功能描述： 输出训练好的模型用于预测

参数配置​

criterion​

  • 功能描述:使用的标准类型。‘bic’ | ‘aic’。
  • 必选参数：是
  • 默认值：aic

Fit Intercept​

  • 功能描述:是否计算该模型的截距。
  • 必选参数：是
  • 默认值：true

verbose:​

  • 功能描述：是否输出log。
  • 必选参数：是
  • 默认值：false

normalize​

  • 功能描述:当fit_intercept设置为False时，将忽略该参数。
  • 必选参数：是
  • 默认值：true

precompute​

  • 功能描述:是否使用预先计算好的Gram矩阵来加速计算。
  • 必选参数：是
  • 默认值：auto

Max Iter​

  • 功能描述：模型训练时的最大迭代次数，默认为1000
  • 必选参数：是
  • 默认值：500

eps​

  • 功能描述:计算Cholesky对角因子的机器精度正则化。
  • 必选参数：否
  • 默认值：（无）

Copy X​

  • 功能描述:如果为真，则复制X;否则，它可能被覆盖。
  • 必选参数：是
  • 默认值：false

positive​

  • 功能描述:限制系数为>= 0。
  • 必选参数：是
  • 默认值：false

需要训练​

  • 功能描述：该模型是否需要训练，默认为需要训练。
  • 必选参数：是
  • 默认值：true

特征字段​

  • 功能描述：特征字段
  • 必选参数：是
  • 默认值：（无）

识别字段​

  • 功能描述：识别字段
  • 必选参数：是
  • 默认值：（无）

使用方法​

  • 将组件拖入到项目中
  • 与前一个组件输出的端口连接（必须是csv类型）
  • 点击运行该节点