scikit Lasso / LARS如何用作回归特征选择工具？

Question

我有大约22个数据预测变量x_i，我想减少到一定数量以便最好地描述y。 基本问题...但是，我还不清楚如何使用scikit和linearmodel.lassoLars来执行此任务。

从他们的示例文档中，代码就像：

alpha = 0.1
lasso = Lasso(alpha=alpha)

y_pred_lasso = lasso.fit(X_train, y_train).predict(X_test)

因此它执行回归和套索，但是我不确定如何使用y_pred_lasso来输出我想要的东西，即来自22个最能准确描述y_train的原始预测变量的变量。

Answer 1

调用fit ，可以使用Lasso实例的coef_属性访问选定的coef_ 。 此属性存储每个要素的权重。

>>> lasso = Lasso(alpha=alpha).fit(X_train, y_train)
>>> lasso.coef_ != 0
array([ True,  True,  True, False, False,  True,  True,  True,  True,
        True,  True,  True,  True], dtype=bool)
>>> import numpy as np
>>> np.nonzero(lasso.coef_)
(array([ 0,  1,  2,  5,  6,  7,  8,  9, 10, 11, 12]),)