sklearn.linear_model.LassoLarsIC¶

class sklearn.linear_model.LassoLarsIC(criterion='aic', *, fit_intercept=True, verbose=False, normalize=True, precompute='auto', max_iter=500, eps=2.220446049250313e-16, copy_X=True, positive=False)

使用BIC或AIC进行模型选择的Lars拟合套索(Lasso)模型

Lasso的优化目标是：

AIC是Akaike信息标准，而BIC是Bayes信息标准。通过在拟合优度和模型复杂度之间进行权衡，这样的标准对于选择正则化参数的值很有用。一个好的模型应该在简单的同时很好地解释数据。

在用户指南中阅读更多内容。

参数	说明
criterion	{‘bic’ , ‘aic’}, default=’aic’ 要使用的标准类型。
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。
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。
max_iter	int, default=500 要执行的最大迭代次数。可用于提前停止。
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。
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。因此，使用LassoLarsIC只对期望达到稀疏解的问题有意义。

属性	说明
coef_	array-like of shape (n_features,) 参数向量（公式中的w）
intercept_	float 决策函数中的截距。
alpha_	float 信息标准选择的alpha参数
n_iter_	int lars_path运行以查找alpha网格的迭代次数。
criteria_like	array-like of shape (n_alphas,) 所有Alpha信息标准（“ aic”，“ bic”）的值。选择具有最小信息标准的alpha。该值比Eqns. 2.15和2.16中的`n_samples`大1倍(Zou et al, 2007)。

另见

lars_path，LassoLars，LassoLarsCV

注

自由度数的估计为：

“On the degrees of freedom of the lasso” Hui Zou, Trevor Hastie, and Robert Tibshirani Ann. Statist. Volume 35, Number 5 (2007), 2173-2192.

https://en.wikipedia.org/wiki/Akaike_information_criterion https://en.wikipedia.org/wiki/Bayesian_information_criterion

示例

>>> from sklearn import linear_model
>>> reg = linear_model.LassoLarsIC(criterion='bic')
>>> reg.fit([[-1, 1], [0, 0], [1, 1]], [-1.1111, 0, -1.1111])
LassoLarsIC(criterion='bic')
>>> print(reg.coef_)
[ 0.  -1.11...]

方法

方法	说明
`fit`(X, y[, copy_X])	使用X，y作为训练数据拟合模型。
`get_params`([deep])	获取此估计量的参数。
`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__（standard ='aic'，*，fit_intercept = True，verbose = False，normalize = True，precompute ='auto'，max_iter = 500，eps = 2.220446049250313e-16，copy_X = True，positive = False ）

[源码]

初始化self，请参阅help(type(self))以获得准确的说明。

fit(X, y, copy_X=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,) 目标值。如有必要，将强制转换为X的数据类型
copy_X	bool, default=None 如果设置了此参数，它将覆盖实例创建时选择的copy_X。如果`True`，X将被复制；否则X可能会被覆盖。

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。

sklearn.linear_model.LassoLarsIC使用示例¶

LASSO模型选择：交叉验证/AIC/BIC ¶