Python 如何生成系数>；套索回归或任何其他方法中的0？

我正在运行以下代码以生成所有正系数：

from sklearn.linear_model import Lasso

pos = Lasso(positive=True)
pos.fit(X,y)
list(pos.coef_)

上面的代码给了我正系数或“0”，但我需要所有的都是积极的，有一些积极的影响

要求=所有正系数（系数不应为零（0））

---

如何执行上述任务？

套索不求解

l0

-惩罚最小二乘法，而是求解

l1

-惩罚最小二乘法。对于

alpha=0.01

得到的解决方案是Lasso解决方案（对于特征#10，单个非零系数为~0.245）

lasso = Lasso(alpha=1, positive=True)
lasso_coeff['Coefficient Estimates] = pd.Series(lasso.coef_)
print(lasso_coeff)

# The above set of lines will force the coefficients to positive.

即使您的解决方案的平方重建误差为

0.0

，它仍然会受到

1.0

（乘以alpha）的惩罚

对于

alpha=1.0

的套索，解决方案的小平方重建误差为

0.04387

（除以

2*n_样本==6

），较小的

l1

惩罚为

0.245

（乘以alpha）

通过lasso最小化的目标函数在文档字符串中给出：

总结常用于正则化最小二乘回归的不同先验（或惩罚）：

• l2

  惩罚有利于任意数量的非零系数，但具有非常高的 小绝对值（接近零）

• l1

  惩罚有利于少量非零系数
  小的绝对值

• l0

  支持任何绝对值的少量非零系数
  价值观

---

l0

由于是非凸的，它通常不像

l1

和

l2

那样容易优化。这就是为什么人们在实践中使用

l1

（套索）或

l1+l2

（弹性网）来寻找稀疏的解决方案，即使没有

l0

那么干净。你可以尝试去除回归系数为零的因素，然后再次运行回归（特征消除）。零的值具有从回归中隐式删除特征的效果，因此这也会产生相同的效果。@JamesPhillips，谢谢，但您是否可以通过一些基本代码提供一些示例？例如：我们将因子X1、X2和X3与Y进行回归，如方程“Y=aX1+bX2+cX3”中所示。在本例中，回归为我们提供了参数a、b和c的值，参数c等于0.0。这意味着无论我们对X3使用什么，“c*X3”的值每次都是零，并且对我们的计算没有影响。我们可以简单地从回归中删除X3，得到与保留它相同的结果。