基于多任务弹性网络回归分析模型简介
基于多任务弹性网络回归分析模型简介
ElasticNet 是一种使用L1和L2先验作为正则化矩阵的线性回归模型.
这种组合用于只有很少的权重非零的稀疏模型
如:class:Lasso, 但是又能保持:class:Ridge 的正则化属性.
我们可以使用1_ratio 参数来调节L1和L2的凸组合(一类特殊的线性组合)。
当多个特征和另一个特征相关的时候弹性网络非常有用。
Lasso 倾向于随机选择其中一个，而弹性网络更倾向于选择两个.
在实践中，Lasso 和 Ridge 之间权衡的一个优势是它允许在循环过程（Under rotate）中继承 Ridge 的稳定性.
正则化网络弹性网络的目标函数是最小化:
ElasticNetCV 可以通过交叉验证来用来设置参数 alpha () 和 l1_ratio ()
MultiTaskLasso 是一种估计多元回归系数的线性模型， y 是一个2D数组，形式为(n_samples,n_tasks).
其限制条件是和其他回归问题一样，是选择的特征，同样称为 tasks.
接下来的图示比较了通过使用一个简单LassoMultiTaskLasso得到的W中非零的位置。
Lasso 估计量分散着非零值而MultiTaskLasso所有的列全部是非零的。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。