ElasticNet是使用L1和L2先验作为归一化矩阵的线性回归模型。 该组合用于权重非零的稀疏模型，诸如：class:Lasso，但是可以保持：class:Ridge的归一化属性。 l1_ratio参数可以用于调整L1和L2的凸性
当多个特征与另一个特征相关时，灵活的网络非常有用。 Lasso倾向于随机选择一个，灵活的网络倾向于同时选择两者。
实际上，Lasso与Ridge之间权衡的一个好处是可以在循环过程中继承Ridge的稳定性。
灵活网络的目标函数是最小化：
ElasticNetCV可以使用交叉验证来设置参数alpha (和l1_ratio )
print(_doc_ ) importnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.linear _ modelimportlasso _ path， enet _ pathfromsklearnimportdatasetsdiabetes=datasets.load _ diabetes () x=diabetes.datay=diabetes.targetx/=sandardizedata (easiertosetthel1_ ratio parameter ) #计算路径EPS=5e-3 # thesmalleritisthelongeristhepathprint (computingregularizationpathusingthelasso . ' ) alphas_lasso、coefs_lasso， fit_intercept=False ) print (computingregularizationpathusingthepositivelasso . ' ) alphas_positive_lasso，coeerer fit_intercept=False ) print (' computingregularizationpathusingtheelasticnet . ' (alphas ) )。 y，eps=eps，l1_ratio=0.8，fit_intercept=False ) print (' computingregularization pathusingthepositvelasticnet coefs_positive_enet，_=enet_path(x，y，eps=eps，l1_ratio=0.8，positive=True， fit _ intercept=false (# display results PLT.figure (1) ax=plt.gca ) ) ax.set_color_cycle )2*['b '，' line style='-- ' (PLT.xlabel (-log (alpha ) ) PLT.ylabel (coefficients ) ) PLT.title ) lassoandelastic-title loc=' lower left ' (PLT.axis (' tight ' ) plt.figure(2)2) ax=PLT.GCA (ax.set _ color ) )。 ' k'] ) L1=PLT.plot(-NP.log10 ) alphas_lasso )，coefs_lasso.T ) L2=PLT.plot(-NP.log10 ) alphas_ ) line style='-- ' (PLT.xlabel (-log (alpha ) ) PLT.ylabel (coefficients ) ) PLT.title ) lassoandpositivelitle '。 (k ) ) L1=PLT.plot(-NP.log10 ) alphas_enet )， coefs_enet.T ) L2=PLT.plot(-NP.log10 ) alphas_plot linestyle='-- ' ) PLT.xlabel(-log ) alpha ) ) PLT.ylabel ) coefficients ) ) PLT.title ) elastic-netandPLT.title ) ) elastic-netic