sklearn.linear_model.LassoLars¶
class sklearn.linear_model.LassoLars(alpha=1.0, *, fit_intercept=True, verbose=False, normalize=True, precompute='auto', max_iter=500, eps=2.220446049250313e-16, copy_X=True, fit_path=True, positive=False, jitter=None, random_state=None)
套索模型与最小角度回归，也称为拉尔斯拟合
它是一个用L1先验作为正则化器训练的线性模型。
Lasso的优化目标是：
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| alpha | float, default=1.0 乘以惩罚项的常数。默认为1.0。 alpha = 0等同于由LinearRegression对象求解的普通最小二乘。由于数字原因，不建议alpha = 0与LassoLars对象一起使用。并且你应该首选LinearRegression对象。 |
| fit_intercept | bool, default=True 是否计算模型的截距。如果为 False，则在计算中将不使用截距（即假定数据已经中心化）。 |
| verbose | bool or int, default=False 设置日志的详细程度。 |
| normalize | bool, default=Falsefit_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。对于稀疏输入，此选项始终是 True以保持稀疏性。 |
| max_iter | int, default=500 要执行的最大迭代次数。 |
| 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。 |
| positive | bool, default=False 将系数限制为> =0。请注意，你可能希望删除默认设置为True时的fit_intercept。在正约束下，对于较小的alpha值，模型系数将不会收敛到普通最小二乘解。通常，逐步Lars-Lasso算法所达到最小alpha值（当fit_path = True， alphas_[alphas_ > 0.].min()）的系数才与坐标下降Lasso估计的解一致。 |
| 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max_iter、n_features或路径中相关性大于alpha的节点数，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) or list 如果传递了一个列表，那么它应该是一个长度为n_targets的数组。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
示例
>>> from sklearn import linear_model
>>> clf = linear_model.Lasso(alpha=0.1)
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
Lasso(alpha=0.1)
>>> print(clf.coef_)
[0.85 0. ]
>>> print(clf.intercept_)
0.15...>>> from sklearn import linear_model
>>> reg = linear_model.LassoLars(alpha=0.01)
>>> reg.fit([[-1, 1], [0, 0], [1, 1]], [-1, 0, -1])
LassoLars(alpha=0.01)
>>> print(reg.coef_)
[ 0. -0.963257...]
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__(alpha=1.0, *, fit_intercept=True, verbose=False, normalize=True, precompute='auto', max_iter=500, eps=2.220446049250313e-16, copy_X=True, fit_path=True, positive=False, 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)
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。 |
