Scikit Learn - Multi-task LASSO

Ele permite ajustar vários problemas de regressão em conjunto, fazendo com que os recursos selecionados sejam os mesmos para todos os problemas de regressão, também chamados de tarefas. Sklearn fornece um modelo linear denominadoMultiTaskLasso, treinado com uma norma mista L1, L2 para regularização, que estima coeficientes esparsos para problemas de regressão múltipla em conjunto. Neste, a resposta y é um array 2D de forma (n_samples, n_tasks).

o parameters e a attributes para MultiTaskLasso são como aqueles de Lasso. A única diferença está no parâmetro alfa. No Lasso, o parâmetro alfa é uma constante que multiplica a norma L1, enquanto no Lasso multitarefa é uma constante que multiplica os termos L1 / L2.

E, ao contrário do Lasso, MultiTaskLasso não tem precompute atributo.

Exemplo de Implementação

O seguinte script Python usa MultiTaskLasso modelo linear que ainda usa a descida coordenada como o algoritmo para ajustar os coeficientes.

from sklearn import linear_model
MTLReg = linear_model.MultiTaskLasso(alpha=0.5)
MTLReg.fit([[0,0], [1, 1], [2, 2]], [[0, 0],[1,1],[2,2]])

Resultado

MultiTaskLasso(alpha = 0.5, copy_X = True, fit_intercept = True, max_iter = 1000,
   normalize = False, random_state = None, selection = 'cyclic', tol = 0.0001,
   warm_start = False)

Exemplo

Agora, uma vez ajustado, o modelo pode prever novos valores da seguinte forma -

MTLReg.predict([[0,1]])

Resultado

array([[0.53033009, 0.53033009]])

Exemplo

Para o exemplo acima, podemos obter o vetor de peso com a ajuda do seguinte script python -

MTLReg.coef_

Resultado

array([[0.46966991, 0. ],
[0.46966991, 0. ]])

Exemplo

Da mesma forma, podemos obter o valor de interceptar com a ajuda do seguinte script python -

MTLReg.intercept_

Resultado

array([0.53033009, 0.53033009])

Exemplo

Podemos obter o número total de iterações para obter a tolerância especificada com a ajuda do seguinte script python -

MTLReg.n_iter_

Resultado

2

Podemos alterar os valores dos parâmetros para obter a saída desejada do modelo.