python - 用 scikit-learn 拟合向量自回归模型

Question

我正在尝试使用 scikit-learn 中包含的广义线性模型拟合方法来拟合向量自回归 (VAR) 模型。线性模型具有 y = X w 的形式，但系统矩阵 X 具有非常奇特的结构:它是 block 对角线的，所有 block 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 X 的一个 block >、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。然而，由于Y是二维的，拟合LassoCV或ElasticNetCV失败。

我找到了 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，还有其他方法可以优化 alpha/rho 参数吗？

此外，scikit-learn 中的贝叶斯回归技术还期望 y 是一维的。有什么办法解决这个问题吗？

注意:我使用的是 scikit-learn 0.14(稳定版)

Answer 1

使用这种回归公式获得的性能和内存优化有多重要？鉴于您的重新制定破坏了 scikit-learn，我不会真正称之为优化......我建议:

1. 运行未优化的版本并等待(如果可能)。

2. Git 拉取以下 code ，这应该可以解决您的问题。您在 scikit-learn github 项目中发布的对话中引用了它。参见 here有关从 git pull 构建 scikit-learn 的说明。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。请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。