python-glmnet 2.2.2.post2

要求

python-glmnet需要Python版本 >= 3.9、scikit-learn、numpy 和 scipy。从源代码安装或通过 pip 安装需要Fortran编译器。

conda

conda install -c conda-forge glmnet

pip

pip install python-glmnet

源代码

glmnet依赖于numpy、scikit-learn和scipy。构建包还需要一个有效的Fortran编译器。对于Mac用户，使用 brew install gcc 可以处理此要求。

git clone git@github.com:replicahq/python-glmnet.git
cd python-glmnet
python setup.py install

一般

默认情况下，LogitNet 和 ElasticNet 使用lasso惩罚（α = 1）和最多100个λ值（由算法确定）来拟合一系列模型。此外，在计算λ值的路径后，使用3折交叉验证计算每个λ值的性能指标。最佳性能模型的λ值保存为lambda_max_属性，使模型性能在cut_point * standard_error内的最大λ值保存为lambda_best_属性。

预测和预测概率方法接受一个可选参数 lamb，用于选择使用哪些模型进行预测。如果省略 lamb，则使用 lambda_best_。

两个模型都接受密集或稀疏数组。

正则化逻辑回归

from glmnet import LogitNet

m = LogitNet()
m = m.fit(x, y)

预测类似于Scikit-Learn

# predict labels
p = m.predict(x)
# or probability estimates
p = m.predict_proba(x)

正则化线性回归

from glmnet import ElasticNet

m = ElasticNet()
m = m.fit(x, y)

预测

p = m.predict(x)