矢量自回归模型拟合与scikit学习

Question

我正在尝试使用scikit-learn中包含的广义线性模型拟合方法拟合向量自回归（VAR）模型。 线性模型具有y = X w的形式，但系统矩阵X具有非常特殊的结构：它是块对角线，并且所有块都是相同的。 为了优化性能和内存消耗，模型可以表示为Y = BW ，其中B是来自X的块， Y和W现在是矩阵而不是向量。 LinearRegression，Ridge，RidgeCV，Lasso和ElasticNet类很容易接受后一种模型结构。 但是，由于Y是二维的，因此适合LassoCV或ElasticNetCV失败。

我发现https://github.com/scikit-learn/scikit-learn/issues/2402从这个讨论中我假设LassoCV / ElasticNetCV的行为是有意的。 除了手动实现交叉验证之外，有没有办法优化alpha / rho参数？

此外，scikit-learn中的贝叶斯回归技术也期望y是一维的。 有没有办法解决？

注意：我使用scikit-learn 0.14（稳定）

Answer 1

使用这种回归公式获得的性能和内存优化有多重要？ 鉴于你的重新制定打破了scikit-learn，我不会把它称为优化...我建议：

1. 运行未优化的版本并等待（如果可能）。

2. Git提取以下代码 ，据说可以解决您的问题。 它是在您从scikit-learn github项目发布的对话中引用的。 请参阅此处了解有关构建scikit的说明 - 从git pull中学习。 然后，您可以将分支的scikit-learn位置添加到python路径，并使用修改后的库代码执行回归。 务必发布您的经历和遇到的任何问题; 我相信scikit开发人员会很感激。

Answer 2

为了预测矩阵而不是向量，Lasso和ElasticNet就是他们的MultiTask *对应物：

http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.MultiTaskLasso.html http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.MultiTaskElasticNet.html