【scikit-learn】ElasticNetの意味と使い方について

はるか

ElasticNetは、LassoとRidgeを組み合わせたもの。

ふゅか

そうそう！両方のいいとこ取りがElasticNetなんだ！

1. ElasticNetとは？

ElasticNetは、回帰分析において使用される正則化手法の一つです。ElasticNetは、Lasso回帰（L1正則化）とRidge回帰（L2正則化）の両方を組み合わせたモデルで、それぞれのメリットを活かしながら、欠点を補完します。

1.1. 背景：回帰分析と正則化

回帰分析では、モデルがデータに過剰に適合する（過学習）問題を防ぐために「正則化」という技術が使われます。正則化は、モデルの複雑さを制限することで、汎化性能を高める手法です。以下の2つが代表的な正則化手法です。

• Lasso回帰（L1正則化）特徴量の中から不要なものを完全に「ゼロ」にすることで特徴量選択が可能になります。ただし、相関の強い特徴量がある場合、どちらか一方しか選ばれない傾向があります。
• Ridge回帰（L2正則化）すべての特徴量を残しつつ、モデルの重みの2乗をペナルティとして与えます。

1.2. ElasticNetの数式

ElasticNetの目的関数は以下のように定義されます。

$$\min_{\beta} \left\{ \frac{1}{2n} \|y – X\beta\|_2^2 + \lambda_1 \|\beta\|_1 + \lambda_2 \|\beta\|_2^2 \right\}$$

ここで

• $y$ は目的変数（予測したい値）
• $X$ は説明変数（特徴量）
• $\beta$ は回帰係数
• $\lambda_1 \|\beta\|_1$ がLasso回帰のペナルティ項
• $\lambda_2 \|\beta\|_2^2$ がRidge回帰のペナルティ項
• $\lambda_1$ と $\lambda_2$ はハイパーパラメータ（調整値）

ふゅか

ElasticNetの目的関数って、L1とL2が混ざってるよね！

2. ElasticNetの実装例

ElasticNetは、Pythonのscikit-learnライブラリで次のように実装できます。

from sklearn.linear_model import ElasticNet
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
from sklearn.datasets import load_diabetes
# データの準備
diabetes= load_diabetes()
X,y = diabetes.data,diabetes.target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# モデルの定義と学習
elastic_net = ElasticNet(alpha=1.0, l1_ratio=0.5, random_state=42)
elastic_net.fit(X_train, y_train)

# モデルの予測
y_pred = elastic_net.predict(X_test)

# モデル評価
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse}")

• alpha: 全体の正則化の強さを制御します。
• l1_ratio: L1正則化（Lasso）の割合を設定します。0でRidge、1でLasso、間でElasticNet。

2.1. ハイパーパラメータの調整方法

ElasticNetには主に2つのハイパーパラメータがあります：

• alpha（正則化の強さ）
• l1_ratio（L1とL2のバランス）

これらを最適化するには、グリッドサーチを利用します。

from sklearn.model_selection import GridSearchCV

param_grid = {
    'alpha': [0.1, 0.5, 1.0, 2.0],
    'l1_ratio': [0.1, 0.5, 0.7, 1.0]
}

grid_search = GridSearchCV(ElasticNet(random_state=42), param_grid, cv=5, scoring='neg_mean_squared_error')
grid_search.fit(X_train, y_train)

print(f"Best Parameters: {grid_search.best_params_}")

実際に動かすと、次のようになります。