sklearn.linear_model.Lars¶

class sklearn.linear_model.Lars(*, fit_intercept=True, verbose=False, normalize=True, precompute='auto', n_nonzero_coefs=500, eps=2.220446049250313e-16, copy_X=True, fit_path=True, jitter=None, random_state=None)

[源码]

最小角度回归模型，又称LAR。

在用户指南中阅读更多内容。

参数	说明
fit_intercept	bool, default=True 是否计算此模型的截距。如果设置为False，则在计算中将不使用截距（即，数据应居中）。
verbose	bool or int, default=False 详细程度
normalize	bool, default=True `fit_intercept`设置为False 时，将忽略此参数。如果为True，则在回归之前通过减去均值并除以l2-范数来对回归变量X进行归一化。如果你希望标准化，请先使用 `sklearn.preprocessing.StandardScaler`，然后调用`fit` 估算器并设置`normalize=False`。
precompute	bool, ‘auto’ or array-like , default=’auto’ 是否使用预先计算的Gram矩阵来加快计算速度。Gram矩阵也可以作为参数传递。
n_nonzero_coefs	int, default=500 非零系数的目标数量。使用`np.inf`时无限制。
eps	float, optional Cholesky对角因子计算中的机器精度正则化。对于病态系统，请增加此值。与某些基于迭代优化的算法中的`tol`参数不同，此参数不控制优化的容忍度。默认情况下，使用`np.finfo(np.float).eps`。
copy_X	bool, default=True 如果`True`，将复制X；否则X可能会被覆盖。
fit_path	bool, default=True 如果为True，则完整路径将存储在`coef_path_`属性中。如果针对一个大问题或多个目标计算解决方案，设置`fit_path`为`False`会导致加速，尤其是对于较小的alpha。
jitter	float, default=None 要添加到`y`值的均匀噪声参数的上限，以满足模型一次计算的假设。可能会对稳定性有所帮助。
random_state	int, RandomState instance or None (default) 确定噪声的随机数生成模式。为多个函数调用传递一个整数来实现重复输出。请参阅词汇表。如果`jitter`为None则忽略此参数。

属性	说明
alphas_	array-like of shape (n_alphas + 1,)\|list of n_targets such arrays 每次迭代的最大协方差（绝对值）。 `n_alphas`是`n_nonzero_coefs`或`n_features`，以较小者为准。
active_	list, length = n_alphas\|list of n_targets such lists 路径末尾的活动变量的索引。
coef_path_	array-like of shape (n_features, n_alphas + 1)\|list of n_targets such arrays 沿路径的系数的变化值。如果`fit_path`参数为`False`，则此参数不可用。
coef_	array-like of shape (n_features,) or (n_targets, n_features) 参数向量（目标公式中的w）。
intercept_	float or array-like of shape (n_targets,) 目标函数中的截距。
n_iter_	array-like or int lars_path为每个目标查找alpha网格所花费的迭代次数。

另见

lars_path， LarsCV
sklearn.decomposition.sparse_encode

示例

>>> from sklearn import linear_model
>>> reg = linear_model.Lars(n_nonzero_coefs=1)
>>> reg.fit([[-1, 1], [0, 0], [1, 1]], [-1.1111, 0, -1.1111])
Lars(n_nonzero_coefs=1)
>>> print(reg.coef_)
[ 0. -1.11...]

方法

方法	说明
`fit`(X, y[, Xy])	使用X，y作为训练数据拟合模型。
`get_params`([deep])	获取此估计器的参数。
`predict`(X)	使用线性模型进行预测。
`score`(X, y[, sample_weight])	返回预测的确定系数R ^ 2。
`set_params`(**params)	设置此估算器的参数。

__init__(*, fit_intercept=True, verbose=False, normalize=True, precompute='auto', n_nonzero_coefs=500, eps=2.220446049250313e-16, copy_X=True, fit_path=True, jitter=None, random_state=None)

[源码]

初始化self，请参阅help(type(self))以获得准确的说明。

fit(X, y, Xy=None)

[源码]

使用X，y作为训练数据拟合模型。

参数	说明
X	array-like of shape (n_samples, n_features) 训练数据。
y	array-like of shape (n_samples,) or (n_samples, n_targets) 目标值。
Xy	array-like of shape (n_samples,) or (n_samples, n_targets), default=None Xy = np.dot（XT，y）可以预先计算。仅当预先计算了Gram矩阵时才有用。

返回值	说明
self	object 返回估计器实例

get_params(deep=True)

[源码]

获取此估计量的参数。

参数	说明
deep	bool, default=True 如果为True，则将返回此估算器和所包含子对象的参数。

返回值	说明
params	mapping of string to any 参数名称映射到其值。

predict(X)

[源码]

使用线性模型进行预测。

参数	说明
X	array_like or sparse matrix, shape (n_samples, n_features) 样本数据

返回值	说明
C	array, shape (n_samples,) 返回预测值。

score(X, y, sample_weight=None)

[源码]

返回预测的确定系数R ^ 2。

系数R ^ 2定义为（1- u / v），其中u是残差平方和（（y_true-y_pred）** 2）.sum（），而v是总平方和（（y_true- y_true.mean（））** 2）.sum（）。可能的最高得分为1.0，并且也可能为负（因为该模型可能会更差）。一个常数模型总是预测y的期望值，而不考虑输入特征，得到的R^2得分为0.0。

参数	说明
X	array-like of shape (n_samples, n_features) 测试样本。对于某些估计量，这可以是预先计算的内核矩阵或通用对象列表，形状为（n_samples，n_samples_fitted），其中n_samples_fitted是用于拟合估计器的样本数。
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真实值。
sample_weight	array-like of shape (n_samples,), default=None 样本权重。

返回值	说明
score	float 预测值与真实值的R^2。

注

调用回归器中的score时使用的R2分数，multioutput='uniform_average'从0.23版开始使用，与r2_score默认值保持一致。这会影响多输出回归的score方法（ MultiOutputRegressor除外）。

set_params(**params)

[源码]

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（例如管道）。后者具有形式为 <component>__<parameter>的参数，这样就可以更新嵌套对象的每个组件。

参数	说明
**params	dict 估计器参数。

返回值	说明
self	object 估计器实例。