最小角回归#

class sklearn.linear_model.Lars(*, fit_intercept=True, verbose=False, precompute='auto', n_nonzero_coefs=500, eps=np.float64(2.220446049250313e-16), copy_X=True, fit_path=True, jitter=None, random_state=None)[source]#

最小角回归模型（也称为LAR）。

更多信息请参见用户指南。

参数：

fit_interceptbool, default=True: 是否计算模型的截距。如果设置为False，则计算中不使用截距（即，数据应居中）。
verbosebool or int, default=False: 设置详细程度。
precompute布尔值、'auto' 或类数组，默认为'auto': 是否使用预计算的 Gram 矩阵来加速计算。如果设置为 'auto'，则由系统自动决定。Gram 矩阵也可以作为参数传入。
n_nonzero_coefs整数，默认为500: 目标非零系数的数量。使用 np.inf 表示无限制。
eps浮点数，默认为np.finfo(float).eps: 计算 Cholesky 对角因子时的机器精度正则化项。对于病态系统，可以增大此值。与一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差。
copy_X布尔值，默认为True: 如果 True，则会复制 X；否则，X 可能被覆盖。
fit_path布尔值，默认为True: 如果为 True，则完整路径将存储在 coef_path_ 属性中。如果您要计算大型问题或多个目标的解，则将 fit_path 设置为 False 将提高速度，尤其是在 alpha 值较小的情况下。
jitter浮点数，默认为None: 添加到 y 值的均匀噪声参数的上限，以满足模型一次一个计算的假设。可能有助于提高稳定性。

0.23 版本新增。
random_state整数、RandomState 实例或 None，默认为 None: 确定抖动的随机数生成。传入整数可在多次函数调用中获得可重复的输出。参见术语表。如果 jitter 为 None，则忽略。

0.23 版本新增。

属性：

alphas_形状为 (n_alphas + 1,) 的类数组或此类数组的列表: 每次迭代中最大协方差（绝对值）。n_alphas 为 max_iter、n_features 或路径中 alpha >= alpha_min 的节点数，取其中较小的值。如果这是一个类数组列表，则外部列表的长度为 n_targets。
active_形状为 (n_alphas,) 的列表或此类列表的列表: 路径结束时活动变量的索引。如果这是一个列表的列表，则外部列表的长度为 n_targets。
coef_path_形状为 (n_features, n_alphas + 1) 的类数组或此类数组的列表: 沿路径变化的系数值。如果 fit_path 参数为 False，则不存在此属性。如果这是一个类数组列表，则外部列表的长度为 n_targets。
coef_形状为 (n_features,) 或 (n_targets, n_features) 的类数组: 参数向量（公式中的 w）。
intercept_浮点数或形状为 (n_targets,) 的类数组: 决策函数中的独立项。
n_iter_类数组或整数: lars_path 找到每个目标的 alpha 网格所用的迭代次数。
n_features_in_整数: 在拟合期间看到的特征数量。

0.24 版本新增。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 在拟合期间看到的特征名称。只有当 X 的特征名称全部为字符串时才定义。

1.0 版本新增。

另请参阅

lars_path: 使用 LARS 算法计算最小角度回归或 Lasso 路径。
LarsCV: 交叉验证的最小角度回归模型。
sklearn.decomposition.sparse_encode: 稀疏编码。

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...]

fit(X, y, Xy=None)[source]#

使用 X、y 作为训练数据拟合模型。

参数：

X形状为 (n_samples, n_features) 的类数组: 训练数据。
y形状为 (n_samples,) 或 (n_samples, n_targets) 的类数组: 目标值。
Xy形状为 (n_features,) 或 (n_features, n_targets) 的类数组，默认为 None: Xy = np.dot(X.T, y)，可以预先计算。仅当预计算 Gram 矩阵时才有效。

返回值：

self对象: 返回 self 的实例。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南，了解路由机制的工作原理。

返回值：

routingMetadataRequest: 一个 MetadataRequest，封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deep布尔值，默认为 True: 如果为 True，则将返回此估计器和包含的子对象（也是估计器）的参数。

返回值：

params字典: 参数名称与其值的映射。

predict(X)[source]#

使用线性模型进行预测。

参数：

X类数组或稀疏矩阵，形状 (n_samples, n_features): 样本。

返回值：

C数组，形状 (n_samples,): 返回预测值。

score(X, y, sample_weight=None)[source]#

返回预测的决定系数。

决定系数 $R^2$ 定义为 $(1 - \frac{u}{v})$，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()。最佳分数为 1.0，也可能为负数（因为模型可以任意差）。一个始终预测 y 期望值的常数模型，忽略输入特征，其 $R^2$ 分数为 0.0。

参数：

X形状为 (n_samples, n_features) 的类数组: 测试样本。对于某些估计器，这可能是预计算的核矩阵或形状为 (n_samples, n_samples_fitted) 的泛型对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组: X 的真实值。
sample_weight形状为 (n_samples,) 的类数组，默认为 None: 样本权重。

返回值：

score浮点数: self.predict(X) 相对于 y 的 $R^2$。

备注

从 0.23 版本开始，调用回归器的 score 时使用的 $R^2$ 分数使用 multioutput='uniform_average'，以保持与 r2_score 的默认值一致。这会影响所有多输出回归器的 score 方法（MultiOutputRegressor 除外）。

set_fit_request(*, Xy: bool | None | str = '$UNCHANGED$') → Lars[source]#

请求传递给 fit 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时，此方法才相关（参见 sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项为

True：请求元数据，如果提供则传递给 fit。如果未提供元数据，则忽略请求。
False：不请求元数据，元估计器不会将其传递给 fit。
None：不请求元数据，如果用户提供元数据，元估计器将引发错误。
str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而无需更改其他参数。

1.3 版本中新增。

备注

仅当将此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用）时，此方法才相关。否则无效。

参数：

Xystr、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: fit 中 Xy 参数的元数据路由。

返回值：

self对象: 更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

参数：

**params**字典: 估计器参数。

返回值：

self估计器实例: 估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → Lars[source]#

请求传递给 score 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时，此方法才相关（参见 sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项为

True：请求元数据，如果提供则传递给 score。如果未提供元数据，则忽略请求。
False：不请求元数据，元估计器不会将其传递给 score。
None：不请求元数据，如果用户提供元数据，元估计器将引发错误。
str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而无需更改其他参数。

1.3 版本中新增。

备注

仅当将此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用）时，此方法才相关。否则无效。

参数：

sample_weight字符串、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: score 中 sample_weight 参数的元数据路由。

返回值：

self对象: 更新后的对象。