Maximiliano, miembro de nuestro equipo de trabajo, nos ha hecho el favor de crear esta sección ya que domina perfectamente el tema.
Solución:
El Lasso optimiza un problema de mínimos cuadrados con una penalización L1. Por definición, no puede optimizar una función logística con Lasso.
Si desea optimizar una función logística con una penalización L1, puede utilizar el LogisticRegression estimador con la penalización L1:
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
X, y = load_iris(return_X_y=True)
log = LogisticRegression(penalty='l1', solver='liblinear')
log.fit(X, y)
Tenga en cuenta que solo los solucionadores LIBLINEAR y SAGA (agregados en v0.19) manejan la penalización L1.
Puedes usar glment en Python. Glmnet utiliza arranques en caliente y convergencia de conjuntos activos, por lo que es extremadamente eficiente. Esas técnicas hacen que glment sea más rápido que otras implementaciones de lazo. Puede descargarlo desde https://web.stanford.edu/~hastie/glmnet_python/
Sección de Reseñas y Valoraciones
Nos puedes confirmar nuestra publicación escribiendo un comentario o dejando una puntuación te lo agradecemos.