sklearn.linear_model.LarsCV¶

class sklearn.linear_model.LarsCV(*, fit_intercept=True, verbose=False, max_iter=500, normalize=True, precompute='auto', cv=None, max_n_alphas=1000, n_jobs=None, eps=2.220446049250313e-16, copy_X=True)

交叉验证的最小角度回归模型。

有关交叉验证估算器，请参阅词汇表条目。

在用户指南中阅读更多内容。

参数	说明
fit_intercept	bool, default=True 是否计算该模型的截距。如果设置为false，则在计算中将不使用截距（即数据应已中心化）。
verbose	bool or int, default=False 日志详细程度。
max_iter	int, default=500 要执行的最大迭代次数。
normalize	bool, default=False `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。
cv	int, cross-validation generator or an iterable, default=None 确定交叉验证拆分策略。可能的输入是： - None，使用默认的5折交叉验证 - int，用于指定折叠数。 - CV分割器， - 可迭代生成(分割训练、测试)索引数组。对于int / None输入，使用`KFold`。有关可在此处使用的各种交叉验证策略，请参阅用户指南。在0.22版本中更改：`cv`如果是“None”，默认值从3折更改为5折。
max_n_alphas	int, default=1000 交叉验证中用于计算残差的路径上的最大点数
n_jobs	int or None, default=None 交叉验证期间要使用的CPU核心数量。除非在上下文中设置了`joblib.parallel_backend`，否则`None`表示1 。 `-1`表示使用所有处理器。有关更多详细信息，请参见词汇表。
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。

属性	说明
coef_	array-like of shape (n_features,) 参数向量（目标函数公式中的w）。
intercept_	float 目标函数中的截距。
coef_path_	array-like of shape (n_features, n_alphas) 沿路径变化的系数值。
alpha_	float 估计的正则化参数alpha
alphas_	array-like of shape (n_alphas,) 沿路径的不同alpha值
cv_alphas_	array-like of shape (n_cv_alphas,) 沿路径的所有折叠的Alpha值
mse_path_	array-like of shape (n_folds, n_cv_alphas) 沿路径的每一折的均方误差（alpha值由`cv_alphas`给出）
n_iter_	array-like or int Lars使用最佳alpha进行的迭代次数。

另见

lars_path，LassoLars，LassoLarsCV

示例

>>> from sklearn.linear_model import LarsCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_samples=200, noise=4.0, random_state=0)
>>> reg = LarsCV(cv=5).fit(X, y)
>>> reg.score(X, y)
0.9996...
>>> reg.alpha_
0.0254...
>>> reg.predict(X[:1,])
array([154.0842...])

方法

方法	说明
`fit`(X, y)	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, max_iter=500, normalize=True, precompute='auto', cv=None, max_n_alphas=1000, n_jobs=None, eps=2.220446049250313e-16, copy_X=True)

[源码]

初始化self，请参阅help(type(self))以获得准确的说明。

fit（X，y ）

[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,) 目标值。

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。