python - 如何在python中执行逻辑套索？

Question

scikit-learn 包提供了函数Lasso()，LassoCV()但没有选项可以拟合逻辑函数而不是线性函数...如何在 python 中执行逻辑套索？

Answer 1

Lasso 使用 L1 惩罚优化最小二乘问题。根据定义，您无法使用 Lasso 优化逻辑函数。

如果要优化带有 L1 惩罚的逻辑函数，可以使用LogisticRegression带有 L1 惩罚的估计器：

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
X, y = load_iris(return_X_y=True)
log = LogisticRegression(penalty='l1', solver='liblinear')
log.fit(X, y)

请注意，只有 LIBLINEAR 和 SAGA（在 v0.19 中添加）求解器处理 L1 惩罚。

Answer 2

您可以在 Python 中使用 glment。Glmnet 使用热启动和活动集收敛，因此非常高效。这些技术使 glment 比其他套索实现更快。您可以从https://web.stanford.edu/~hastie/glmnet_python/下载它

Answer 3

1个scikit学习：sklearn.linear_model.LogisticRegression

sklearn.linear_model.LogisticRegression来自 scikit-learn 的可能是最好的：

正如@TomDLT所说，Lasso适用于最小二乘（回归）情况，而不是逻辑（分类）。

from sklearn.linear_model import LogisticRegression

model = LogisticRegression(
    penalty='l1',
    solver='saga',  # or 'liblinear'
    C=regularization_strength)

model.fit(x, y)

2 python-glmnet：glmnet.LogitNet

您还可以使用Civis Analytics 的 python-glmnet 库。这实现了 scikit-learn BaseEstimatorAPI：

# source: https://github.com/civisanalytics/python-glmnet#regularized-logistic-regression

from glmnet import LogitNet

m = LogitNet(
    alpha=1,  # 0 <= alpha <= 1, 0 for ridge, 1 for lasso
)
m = m.fit(x, y)

我不知道如何调整惩罚LogitNet，但我会让你弄清楚。

3 其他

PyMC

您也可以采用完全贝叶斯方法。您可以在给定数据的情况下近似系数的分布，而不是使用 L1 惩罚优化来找到系数的点估计。如果您对系数使用拉普拉斯先验，这将为您提供与 L1 惩罚最大似然估计相同的答案。拉普拉斯先验导致稀疏。

PyMC 的人在这里有一个关于设置类似东西的教程。祝你好运。