弹性网正则化广义线性模型。
pyglmnet的Python项目详细描述
PyGlmnet
=
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~124；gitter
`广义线性模型<；https://en.wikipedia.org/wiki/generalized_u linear_u model>；``是一种公认的回归和分类工具，广泛应用于科学、经济、商业和金融领域。由于它们的凸性损失，它们是唯一可识别的，并且由于其点态非线性和定义良好的噪声模型，它们易于解释。
正则化通过惩罚负对数似然来防止过拟合，并可用于以结构化形式表达关于参数的先验知识。
支离破碎。更具体地说，
-`statsmodels<；http://statsmodels.sourceforge.net/devel/glm.html>；`\uxbr/>提供了广泛的链接函数，但没有正则化。
-`scikit learn<；http://scikit learn.org/stable/modules/generated/sklearn.linear\model.elasticnet.html>；`\uxbr/>提供弹性网正则化，但仅适用于线性模型。
-`lightning<；https://github.com/scikit learn contrib/lightning>；``uuuu
提供弹性网和组套索正则化，但仅适用于
线性和逻辑回归。
**pyglmnet**是对这种分裂。这里有一些
亮点。
-pyglmnet提供了广泛的噪声模型（以及成对的标准
链接函数）：``高斯'```，``二项式'`，``多项式'`，
``泊松'`，和``软加'``.
-它支持广泛的正则化：ridge，lasso，elastic net，
"组
套索<；https://en.wikipedia.org/wiki/nomestic戋gradient戋u methods戋u learning戋group戋lasso>；`戋，
和"tikhonov
规则化<；https://en.wikipedia.org/wiki/tikhonov戋regularization>；`戋pyglmnet的api设计与scikit learn，因此您可以部署"pipeline"工具，如"gridsearchcv（）"和"cross-val-score（）"。
-我们遵循与"friedman，j.，
haste，t.，&tibshirani，r.
（2010）<；https://core.ac.uk/download/files/153/6287975"中相同的方法和符号。pdf>；``和伴随着广泛流行的'r
包<；https://web.stanford.edu/~haste/glmnet/glmnet_alpha.html>；``我们已经实现了一个循环坐标下降优化器，它具有
牛顿更新、活动集、更新缓存和热重启。这种优化方法与r包中使用的方法相同。
-r glmnet包中存在许多python包装（例如
`here<；https://github.com/civisanalytics/python glmnet>；``和
`here<；https://github.com/dwf/glmnet python>；``uu），但在与
相反，pyglmnet是一个纯python实现。因此，在未来很容易修改和引入额外的噪声模型和正则化器。
w是运行时（以毫秒为单位）以适应a:math:`1000`
示例x:math:`100`预测值稀疏矩阵（密度：math:`0.05`）。
这是在c.2011 MacBook Pro上完成的，因此您的数字可能会有所不同。
+——————————————————————————————————————————————————————————————————Distribut|Pyglmnet scikit learn statsmodels r
+============+============+================+===============+=========+
高斯6.8 1.2 29.8 10.3
+———————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————-----+
poisson 5.8--117.2 156.1
+——————————————————————————————————————————————————————————————————————————————————————————————————————————————————你需要注意依赖关系：``scikit learn``，``rpy2``，还有
``statsmodels``你自己。
installation
~~~~~~~~~~~~~~
now``pip``可安装！
…代码：：bash
$pip install pyglmnet
下面的手动安装说明：
克隆存储库。
…代码：：bash
$git clone http://github.com/glm tools/pyglmnet
代码：：bash
$python setup.py develop install
Getting Started
~~~~~~~~~~~~~~~~~
>下面是如何使用"glm"估计器的示例。
。代码：：python
import numpy as np
import scipy.sparse as sps
from sklearn.preprocessing import standardscaler
from pyglmnet import glm
，100
in=glm.simulate（beta0，beta，x~u列）
glm.fit（scaler.transform（x_train），y_train）
用法：//glm tools.github.io/pyglmnet/auto-examples/index.html>；` `
tutorial
~~~~~~~~~
.github.io/pydata-chicago-2016>；``来自a
最近在` pydata chicago
2016<；http://pydata.org/chicago2016/schedule/presentation/15/>；`` uuu，
相应的`教程
笔记本<；http://github.com/pavanramkumar/pydata-chicago-2016>；`` uu和a
`视频<；https://www.youtube.com/watch？v=zxec96kd1ua>；``如何贡献？
~~~~~~~~~~~~~~~~~~~~~~~~~~~~
我们欢迎拉取请求。有关详细信息，请参见我们的"开发人员文档
网页<；http://glm tools.github.io/pyglmnet/developers.html>；```有关
>详细信息。
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~（H）http://github.com/jasmainak>；```````````titpat achakakulvisut<；http://github.com/tititpata>；`````````````idrizovic<；http://github.com/the872>；```````````````````````````````````````````````````````````````````````````````````````````````````````````` ` `雨果蕨andes<；http://github.com/hugoguh>；`
-`eva dyer<；http://github.com/evadyer>；`
-`matt antalek<；https://github.com/themantalope>；`
致谢
~G<；http://kordinglab.com>；``用于资助和支持
-`sara
solla<；http://www.physics.northwestern.edu/people/joint faculty/sara solla.html>；``用于精彩的GLM讲座
|许可证图像：：https://img.shields.io/badge/license-mit-blue.svg？style=flat
：目标：https://github.com/glm tools/pyglmnet/blob/master/license
…|特拉维斯图片：https://api.travis-ci.org/glm-tools/pyglmnet.svg？branch=master
：目标：https://travis ci.org/glm tools/pyglmnet
。| codecov图像：：https://codecov.io/github/glm-tools/pyglmnet/coverage.svg？精度=0
：目标：https://codecov.io/gh/glm tools/pyglmnet
…| gitter图像：：https://badges.gitter.im/glm tools/pyglmnet.svg
：目标：https://gitter.im/pavanramkumar/pyglmnet？utm_source=徽章和utm_medium=徽章和utm_campaign=公关徽章
=
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~124；gitter
`广义线性模型<；https://en.wikipedia.org/wiki/generalized_u linear_u model>；``是一种公认的回归和分类工具，广泛应用于科学、经济、商业和金融领域。由于它们的凸性损失，它们是唯一可识别的，并且由于其点态非线性和定义良好的噪声模型，它们易于解释。
正则化通过惩罚负对数似然来防止过拟合，并可用于以结构化形式表达关于参数的先验知识。
支离破碎。更具体地说，
-`statsmodels<；http://statsmodels.sourceforge.net/devel/glm.html>；`\uxbr/>提供了广泛的链接函数，但没有正则化。
-`scikit learn<；http://scikit learn.org/stable/modules/generated/sklearn.linear\model.elasticnet.html>；`\uxbr/>提供弹性网正则化，但仅适用于线性模型。
-`lightning<；https://github.com/scikit learn contrib/lightning>；``uuuu
提供弹性网和组套索正则化，但仅适用于
线性和逻辑回归。
**pyglmnet**是对这种分裂。这里有一些
亮点。
-pyglmnet提供了广泛的噪声模型（以及成对的标准
链接函数）：``高斯'```，``二项式'`，``多项式'`，
``泊松'`，和``软加'``.
-它支持广泛的正则化：ridge，lasso，elastic net，
"组
套索<；https://en.wikipedia.org/wiki/nomestic戋gradient戋u methods戋u learning戋group戋lasso>；`戋，
和"tikhonov
规则化<；https://en.wikipedia.org/wiki/tikhonov戋regularization>；`戋pyglmnet的api设计与scikit learn，因此您可以部署"pipeline"工具，如"gridsearchcv（）"和"cross-val-score（）"。
-我们遵循与"friedman，j.，
haste，t.，&tibshirani，r.
（2010）<；https://core.ac.uk/download/files/153/6287975"中相同的方法和符号。pdf>；``和伴随着广泛流行的'r
包<；https://web.stanford.edu/~haste/glmnet/glmnet_alpha.html>；``我们已经实现了一个循环坐标下降优化器，它具有
牛顿更新、活动集、更新缓存和热重启。这种优化方法与r包中使用的方法相同。
-r glmnet包中存在许多python包装（例如
`here<；https://github.com/civisanalytics/python glmnet>；``和
`here<；https://github.com/dwf/glmnet python>；``uu），但在与
相反，pyglmnet是一个纯python实现。因此，在未来很容易修改和引入额外的噪声模型和正则化器。
w是运行时（以毫秒为单位）以适应a:math:`1000`
示例x:math:`100`预测值稀疏矩阵（密度：math:`0.05`）。
这是在c.2011 MacBook Pro上完成的，因此您的数字可能会有所不同。
+——————————————————————————————————————————————————————————————————Distribut|Pyglmnet scikit learn statsmodels r
+============+============+================+===============+=========+
高斯6.8 1.2 29.8 10.3
+———————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————-----+
poisson 5.8--117.2 156.1
+——————————————————————————————————————————————————————————————————————————————————————————————————————————————————你需要注意依赖关系：``scikit learn``，``rpy2``，还有
``statsmodels``你自己。
installation
~~~~~~~~~~~~~~
now``pip``可安装！
…代码：：bash
$pip install pyglmnet
下面的手动安装说明：
克隆存储库。
…代码：：bash
$git clone http://github.com/glm tools/pyglmnet
代码：：bash
$python setup.py develop install
Getting Started
~~~~~~~~~~~~~~~~~
>下面是如何使用"glm"估计器的示例。
。代码：：python
import numpy as np
import scipy.sparse as sps
from sklearn.preprocessing import standardscaler
from pyglmnet import glm
，100
in=glm.simulate（beta0，beta，x~u列）
glm.fit（scaler.transform（x_train），y_train）
用法：//glm tools.github.io/pyglmnet/auto-examples/index.html>；` `
tutorial
~~~~~~~~~
.github.io/pydata-chicago-2016>；``来自a
最近在` pydata chicago
2016<；http://pydata.org/chicago2016/schedule/presentation/15/>；`` uuu，
相应的`教程
笔记本<；http://github.com/pavanramkumar/pydata-chicago-2016>；`` uu和a
`视频<；https://www.youtube.com/watch？v=zxec96kd1ua>；``如何贡献？
~~~~~~~~~~~~~~~~~~~~~~~~~~~~
我们欢迎拉取请求。有关详细信息，请参见我们的"开发人员文档
网页<；http://glm tools.github.io/pyglmnet/developers.html>；```有关
>详细信息。
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~（H）http://github.com/jasmainak>；```````````titpat achakakulvisut<；http://github.com/tititpata>；`````````````idrizovic<；http://github.com/the872>；```````````````````````````````````````````````````````````````````````````````````````````````````````````` ` `雨果蕨andes<；http://github.com/hugoguh>；`
-`eva dyer<；http://github.com/evadyer>；`
-`matt antalek<；https://github.com/themantalope>；`
致谢
~G<；http://kordinglab.com>；``用于资助和支持
-`sara
solla<；http://www.physics.northwestern.edu/people/joint faculty/sara solla.html>；``用于精彩的GLM讲座
|许可证图像：：https://img.shields.io/badge/license-mit-blue.svg？style=flat
：目标：https://github.com/glm tools/pyglmnet/blob/master/license
…|特拉维斯图片：https://api.travis-ci.org/glm-tools/pyglmnet.svg？branch=master
：目标：https://travis ci.org/glm tools/pyglmnet
。| codecov图像：：https://codecov.io/github/glm-tools/pyglmnet/coverage.svg？精度=0
：目标：https://codecov.io/gh/glm tools/pyglmnet
…| gitter图像：：https://badges.gitter.im/glm tools/pyglmnet.svg
：目标：https://gitter.im/pavanramkumar/pyglmnet？utm_source=徽章和utm_medium=徽章和utm_campaign=公关徽章
欢迎加入QQ群-->： 979659372
