Scikit-Learn

Output 
array([0.75]) 
For the above example, we can get the weight vector with the help of following python 
script: 
Lreg.coef_ 
Output 
array([0.25, 0. ]) 
Similarly, we can get the value of intercept with the help of following python script: 
Lreg.intercept_ 
Output 
0.75 
We can get the total number of iterations to get the specified tolerance with the help of 
following python script: 
Lreg.n_iter_ 
Output 
2 
We can change the values of parameters to get the desired output from the model. 
Multi-task LASSO 
It allows to fit multiple regression problems jointly enforcing the selected features to be 
same for all the regression problems, also called tasks. Sklearn provides a linear model 

---

Scikit-Learn
46 
named 
MultiTaskLasso
, 
trained with a mixed L1, L2-norm for regularisation,
 
which 
estimates sparse coefficients for multiple regression problems jointly. In this the response 
y is a 2D array of shape (n_samples, n_tasks). 
The 
parameters
and the 
attributes
for 
MultiTaskLasso
are like that of 
Lasso
. The only 
difference is in the alpha parameter. In Lasso the alpha parameter is a constant that 
multiplies L1 norm, whereas in Multi-task Lasso it is a constant that multiplies the L1/L2 
terms. 
And, opposite to Lasso, MultiTaskLasso doesn’t have 
precompute 
attribute.
Implementation Example 
Following Python script uses 
MultiTaskLasso
linear model which further uses coordinate 
descent as the algorithm to fit the coefficients: 
from sklearn import linear_model 
MTLReg = linear_model.MultiTaskLasso(alpha=0.5) 
MTLReg.fit([[0,0], [1, 1], [2, 2]], [[0, 0],[1,1],[2,2]]) 
Output 
MultiTaskLasso(alpha=0.5, copy_X=True, fit_intercept=True, max_iter=1000, 
normalize=False, random_state=None, selection='cyclic', tol=0.0001, 
warm_start=False) 
Now, once fitted, the model can predict new values as follows: 
MTLReg.predict([[0,1]])
Output 
array([[0.53033009, 0.53033009]]) 
For the above example, we can get the weight vector with the help of following python 
script: 
MTLReg.coef_ 
Output 
array([[0.46966991, 0. ], 
[0.46966991, 0. ]]) 
Similarly, we can get the value of intercept with the help of following python script: 
MTLReg.intercept_ 
Output 
array([0.53033009, 0.53033009]) 

---

Scikit-Learn
47 
We can get the total number of iterations to get the specified tolerance with the help of 
following python script: 
MTLReg.n_iter_