语法：

 ElasticNet(self, alpha=1.0, l1_ratio=0.5, fit_intercept=True, normalize=False, precompute=False, max_iter=1000, copy_X=True, tol=1e-4, warm_start=False, positive=False, random_state=None, selection=’cyclic’)

类型：

 sklearn.linear_model.coordinate_descent 中的类，使用L1和L2组合作为正则项的线性回归。最小化目标函数为

 
1(2∗nsamples)||y−Xw||22+α∗l1_ratio∗||w||1+0.5∗ alpha∗(1−l1_ratio)∗||w||221(2∗nsamples)||y−Xw||22+α∗l1_ratio∗||w||1+0.5∗ alpha∗(1−l1_ratio)∗||w||22

 如果关注L1和L2惩罚项的分类，记住下面的公式：

 
a=L1+b∗L2a=L1+b∗L2

 这里：

 
α=a+bl1_ratio=a/(a+b)α=a+bl1_ratio=a/(a+b)

 这里参数l1_ratio对用R中的glmnet包中的αα

，αα

对用R中的λλ

，特别的，l1_ratio = 1 是lasso惩罚，当前l1_ratio≤0.01l1_ratio≤0.01

是不可靠的，除非你使用自己定义的alpha序列。

 在用户指南中读取更多。

输入参数：

参数名：alpha
类型：float, optional
说明：混合惩罚项的常数，morning是1，看笔记的得到有关这个参数的精确数学定义。alpha = 0等价于传统最小二乘回归，通过LinearRegression求解。因为数学原因，使用alpha = 0的lasso回归时不推荐的，如果是这样，你应该使用 LinearRegression 。*

---

参数名：l1_ratio
类型：float
说明：弹性网混合参数，0 <= l1_ratio <= 1，对于 l1_ratio = 0，惩罚项是L2正则惩罚。对于 l1_ratio = 1是L1正则惩罚。对于 0

属性

参数名：coef_
类型：array, shape (n_features,) | (n_targets, n_features)
说明：参数向量(损失函数表达式中的ww

)

---

参数名：sparse_coef_
类型：scipy.sparse matrix, shape (n_features, 1) | (n_targets, n_features)
说明：sparse_coef_ 是从coef_ 导出的只读属性

---

参数名：intercept_
类型：float | array, shape (n_targets,)
说明：决策函数中的独立项，即截距

---

参数名：n_iter_
类型：array-like, shape (n_targets,)
说明：由坐标下降求解器运行的，达到指定公差的迭代次数。

实例：

#导入弹性网
from sklearn.linear_model import ElasticNet
from sklearn.datasets import make_regression

# 初始化数据，模拟数据
X, y = make_regression(n_features=2, random_state=0)
# 实例化弹性网类，设定随机种子，保证每次计算结果都相同
regr = ElasticNet(random_state=0)
# 训练弹性网
regr.fit(X, y)
# 打印系数，结果是[ 18.83816048  64.55968825]
print(regr.coef_) 
# 打印截距，结果是1.45126075617
print(regr.intercept_) 
# 打印预测值，结果是[ 1.45126076]
print(regr.predict([[0, 0]]))

 

 为了避免不必要的内存复制，应该将fit方法的X参数直接作为一个fortranguous numpy数组传递

参阅

SGDRegressor:采用增量式培训实现弹性净回归。
SGDClassifier:用弹性网惩罚实现逻辑回归。
(SGDClassifier(loss=”log”, penalty=”elasticnet”)).