Scikit-Learn

MultiTaskLasso
, 
trained 
with 
a 
mixed 
L1, 
L2-norm 
for 
regularisation,
 
which estimates sparse 
6.
 
Scikit-Learn ― Linear Modeling

---

Scikit-Learn
32 
coefficients 
for 
multiple 
regression 
problems jointly. 
Elastic-Net 
The Elastic-Net is a regularized regression 
method that linearly combines both 
penalties i.e. L1 and L2 of the Lasso and 
Ridge regression methods. It is useful 
when there are multiple correlated 
features. 
Multi-task Elastic-Net 
It is an Elastic-Net model that allows to fit 
multiple regression problems jointly 
enforcing the selected features to be same 
for all the regression problems, also called 
tasks 
Linear Regression 
It is one of the best statistical models that studies the relationship between a dependent 
variable (Y) with a given set of independent variables (X). The relationship can be 
established with the help of fitting a best line. 
sklearn.linear_model.LinearRegression
is the module used to implement linear 
regression. 
Parameters 
Following table consists the parameters used by 
Linear Regression
module: 
Parameter 
Description 
fit_intercept
: Boolean, optional, default 
True 
Used to calculate the intercept for the model. No 
intercept will be used in the calculation if this set 
to false. 
normalize
: Boolean, optional, default False 
If this parameter is set to True, the regressor X will 
be 
normalized 
before 
regression. 
The 
normalization will be done by subtracting the mean 
and dividing it by L2 norm. If 
fit_intercept = False
, 
this parameter will be ignored. 
copy_X
: Boolean, optional, default True 
By default, it is true which means X will be copied. 
But if it is set to false, X may be overwritten.
n_jobs
: 
int 
or 
None, 
optional(default=None) 
It represents the number of jobs to use for the 
computation.