ValueError: x_new bir değer Bu ben</p> <pre><code>my_estimator = LassoLarsCV(fit_intercept=False, normalize=False, positive=True, max_n_alphas=1e5) </code></pre> <p>Not yaparken olsun bir scikit-öğrenme hatadır

Question

interpolasyon aralığının altında olan ben aşağı 1E4 için 1E5 gelen max_n_alphas azalırsa bu alamadım hata daha fazla.

Neler olup bittiği hakkında bir fikri olan var mı? I 40 boyutta 40k veri noktalarına sahip bir

my_estimator.fit(x, y) 

çağrı zaman

hata gerçekleşir.

tam yığın izleme verilerinize belirli bir şey olmalı bu

File "/usr/lib64/python2.7/site-packages/sklearn/linear_model/least_angle.py", line 1113, in fit 
    axis=0)(all_alphas) 
    File "/usr/lib64/python2.7/site-packages/scipy/interpolate/polyint.py", line 79, in __call__ 
    y = self._evaluate(x) 
    File "/usr/lib64/python2.7/site-packages/scipy/interpolate/interpolate.py", line 498, in _evaluate 
    out_of_bounds = self._check_bounds(x_new) 
    File "/usr/lib64/python2.7/site-packages/scipy/interpolate/interpolate.py", line 525, in _check_bounds 
    raise ValueError("A value in x_new is below the interpolation " 
ValueError: A value in x_new is below the interpolation range. 

Answer 1

benziyor. LassoLarsCV() oldukça uslu verilerin bu sentetik örnekle düzgün çalışıyor gibi görünüyor:

Bu sklearn 0.16 olduğunu

import numpy 
import sklearn.linear_model 

# create 40000 x 40 sample data from linear model with a bit of noise 
npoints = 40000 
ndims = 40 
numpy.random.seed(1) 
X = numpy.random.random((npoints, ndims)) 
w = numpy.random.random(ndims) 
y = X.dot(w) + numpy.random.random(npoints) * 0.1 

clf = sklearn.linear_model.LassoLarsCV(fit_intercept=False, normalize=False, max_n_alphas=1e6) 
clf.fit(X, y) 

# coefficients are almost exactly recovered, this prints 0.00377 
print max(abs(clf.coef_ - w)) 

# alphas actually used are 41 or ndims+1 
print clf.alphas_.shape 

, ben positive=True seçeneği yok.

Zaten neden çok büyük bir max_n_alpha kullanmak isteyeceğinizden emin değilim. 1e + 4'ün neden çalıştığını ve 1e + 5'in sizin durumunuzda olmadığını bilmeme rağmen, max_n_alphas = ndims + 1 ve max_n_alphas = 1e + 4'ten aldığınız yolları veya iyi davranan veriler için aynı olan her şeyden şüpheleniyorum. Ayrıca, clf.alpha_'da çapraz doğrulama ile tahmin edilen optimal alfa aynı olacaktır. Alfa'nın yapmaya çalıştığı örnek için Lasso path using LARS örneğini inceleyin. LassoLars documentation

alphas_ array, shape (n_alphas + 1,)

Maximum of covariances (in absolute value) at each iteration. n_alphas is either max_iter, n_features, or the number of nodes in the path with correlation greater than alpha, whichever is smaller.

den da

, bu yüzden yukarıda boyut ndims + 1 (yani n_features + 1) alphas_ ile sona mantıklıdır.

P.S. Sklearn 0.17.1 ve pozitif = True ile test edilmiş, ayrıca bazı pozitif ve negatif katsayılar ile de test edilmiştir, aynı sonuç: alphas_ ndims + 1 veya daha azdır.