LassoCV

class sklearn.linear_model.LassoCV(*, eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, precompute='auto', max_iter=1000, tol=0.0001, copy_X=True, cv=None, verbose=False, n_jobs=None, positive=False, random_state=None, selection='cyclic')

具有迭代拟合正则化路径的Lasso线性模型。

参见交叉验证估计器的词汇表条目。

最佳模型由交叉验证选择。

Lasso 的优化目标是

(1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1

在用户指南中了解更多信息。

参数：

epsfloat, default=1e-3

路径长度。 eps=1e-3 表示 alpha_min / alpha_max = 1e-3。

n_alphasint, default=100

正则化路径上的 alpha 个数。

alphasarray-like, default=None

计算模型的 alpha 列表。如果为 None，则自动设置 alpha。

fit_interceptbool, default=True

是否计算此模型的截距。如果设置为 false，则计算中不使用截距（即，数据应居中）。

precompute‘auto’，bool 或 array-like，形状为 (n_features, n_features)，default='auto'

是否使用预计算的 Gram 矩阵来加快计算速度。如果设置为 'auto'，则由我们决定。Gram 矩阵也可以作为参数传递。

max_iterint, default=1000

最大迭代次数。

tolfloat, default=1e-4

优化的容差：如果更新小于 tol，则优化代码检查对偶间隙的最优性，并继续直到它小于 tol。

copy_Xbool, default=True

如果为 True，则复制 X；否则，它可能会被覆盖。

cvint，交叉验证生成器或可迭代对象，default=None

确定交叉验证分割策略。cv 的可能输入为

• None，使用默认的 5 折交叉验证，

• int，指定折叠数。

• CV 分割器,

• 一个可迭代对象，产生 (train, test) 分割作为索引数组。

对于 int/None 输入，使用 KFold。

有关此处可使用的各种交叉验证策略，请参阅用户指南。

0.22 版本中的更改： 如果为 None，则 cv 的默认值从 3 折更改为 5 折。

verbosebool 或 int，default=False

详细程度。

n_jobsint, default=None

在交叉验证期间使用的 CPU 数量。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。有关更多详细信息，请参见词汇表。

positivebool, default=False

如果为正，则将回归系数限制为正。

random_stateint，RandomState 实例，default=None

选择随机特征进行更新的伪随机数生成器的种子。当 selection == ‘random’ 时使用。传递一个整数以在多次函数调用中获得可重复的输出。参见词汇表。

selection{'cyclic', 'random'}，default='cyclic'

如果设置为 'random'，则每次迭代都会更新一个随机系数，而不是默认情况下按顺序循环遍历特征。这（设置为“random”）通常会导致更快的收敛，尤其是在 tol 高于 1e-4 时。

属性：

alpha_float

通过交叉验证选择的惩罚量。

coef_形状为 (n_features,) 或 (n_targets, n_features) 的 ndarray

参数向量（代价函数公式中的 w）。

intercept_float 或形状为 (n_targets,) 的 ndarray

决策函数中的独立项。

mse_path_形状为 (n_alphas, n_folds) 的 ndarray

不同 alpha 值下，测试集在每个 fold 上的均方误差。

alphas_形状为 (n_alphas,) 的 ndarray

用于拟合的 alpha 值网格。

dual_gap_浮点数或形状为 (n_targets,) 的 ndarray

对于最佳 alpha 值 (alpha_)，优化结束时的对偶间隙。

n_iter_int

坐标下降求解器为达到最佳 alpha 值的指定容差而运行的迭代次数。

n_features_in_int

在 fit 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 fit 期间看到的特征名称。仅当 X 的特征名称全部为字符串时定义。

1.0 版本新增。

另请参阅

lars_path

使用 LARS 算法计算最小角回归或 Lasso 路径。

lasso_path

使用坐标下降计算 Lasso 路径。

Lasso

Lasso 是一种线性模型，它估计稀疏系数。

LassoLars

使用最小角回归 (也称为 Lars) 拟合的 Lasso 模型。

LassoCV

具有迭代拟合正则化路径的Lasso线性模型。

LassoLarsCV

使用 LARS 算法进行交叉验证的 Lasso。

备注

在 fit 中，一旦通过交叉验证找到最佳参数 alpha，模型就会使用整个训练集再次拟合。

为了避免不必要的内存复制，fit 方法的 X 参数应该直接作为 Fortran 连续的 numpy 数组传递。

例如，请参阅 examples/linear_model/plot_lasso_model_selection.py。

LassoCV 的结果与使用 GridSearchCV 和 Lasso 模型进行超参数搜索的结果不同。在 LassoCV 中，给定惩罚 alpha 的模型使用正则化路径上最接近的模型（在之前的迭代中训练）的系数进行热启动。这往往可以加快超参数搜索速度。

示例

>>> from sklearn.linear_model import LassoCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4, random_state=0)
>>> reg = LassoCV(cv=5, random_state=0).fit(X, y)
>>> reg.score(X, y)
0.9993...
>>> reg.predict(X[:1,])
array([-78.4951...])

fit(X, y, sample_weight=None, **params)

使用坐标下降拟合 Lasso 模型。

拟合是在 alpha 值网格上进行的，最佳 alpha 值由交叉验证估计。

参数：

X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

训练数据。直接作为 Fortran 连续数据传递以避免不必要的内存复制。如果 y 是单输出，X 可以是稀疏的。请注意，不需要 int64 索引的大型稀疏矩阵和数组不被接受。

y形状为 (n_samples,) 的 array-like

目标值。

sample_weight浮点数或形状为 (n_samples,) 的 array-like，默认为 None

用于拟合和评估每个 cv-fold 的加权均方误差的样本权重。请注意，最终用于寻找最佳模型的交叉验证 MSE 是每个测试 fold 的（加权）MSE 的未加权平均值。

**paramsdict，默认为 None

要传递给 CV 分割器的参数。

1.4 版本新增： 仅当 enable_metadata_routing=True 时可用，可以通过使用 sklearn.set_config(enable_metadata_routing=True) 来设置。更多详情请参见 元数据路由用户指南。

返回：:

self对象

返回已拟合模型的实例。

get_metadata_routing()

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。

1.4 版本新增。

返回：:

routingMetadataRouter

一个 MetadataRouter，封装了路由信息。

get_params(deep=True)

获取此估计器的参数。

参数：

deepbool，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：:

paramsdict

参数名称与其值的映射。

static path(X, y, *, eps=0.001, n_alphas=100, alphas=None, precompute='auto', Xy=None, copy_X=True, coef_init=None, verbose=False, return_n_iter=False, positive=False, **params)

使用坐标下降计算 Lasso 路径。

Lasso 优化函数对于单输出和多输出任务有所不同。

对于单输出任务，它是：

(1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1

对于多输出任务，它是：

(1 / (2 * n_samples)) * ||Y - XW||^2_Fro + alpha * ||W||_21

其中

||W||_21 = \sum_i \sqrt{\sum_j w_{ij}^2}

即每行的范数之和。

在用户指南中了解更多信息。

参数：

X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

训练数据。直接作为 Fortran 连续数据传递，以避免不必要的内存复制。如果 y 是单输出，则 X 可以是稀疏的。

y形状为 (n_samples,) 或 (n_samples, n_targets) 的 {数组、稀疏矩阵}

目标值。

epsfloat, default=1e-3

路径长度。 eps=1e-3 表示 alpha_min / alpha_max = 1e-3。

n_alphasint, default=100

正则化路径上的 alpha 个数。

alphasarray-like, default=None

计算模型的 alpha 列表。如果为 None，则自动设置 alpha。

precompute‘auto’，bool 或 array-like，形状为 (n_features, n_features)，default='auto'

是否使用预计算的 Gram 矩阵来加快计算速度。如果设置为 'auto'，则由我们决定。Gram 矩阵也可以作为参数传递。

Xy形状为 (n_features,) 或 (n_features, n_targets) 的数组，默认为 None

Xy = np.dot(X.T, y)，可以预先计算。仅当预先计算了 Gram 矩阵时才有用。

copy_Xbool, default=True

如果为 True，则复制 X；否则，它可能会被覆盖。

coef_init形状为 (n_features,) 的数组，默认为 None

系数的初始值。

verbosebool 或 int，default=False

详细程度。

return_n_iter布尔值，默认为 False

是否返回迭代次数。

positivebool, default=False

如果设置为 True，则强制系数为正。（仅当 y.ndim == 1 时允许）。

**params关键字参数

传递给坐标下降求解器的关键字参数。

返回：:

alphas形状为 (n_alphas,) 的 ndarray

计算模型的路径上的 alphas。

coefs形状为 (n_features, n_alphas) 或 (n_targets, n_features, n_alphas) 的 ndarray

路径上的系数。

dual_gaps形状为 (n_alphas,) 的 ndarray

每个 alpha 优化结束时的对偶间隙。

n_iters整数列表

坐标下降优化器为每个 alpha 达到指定容差所花费的迭代次数。

另请参阅

lars_path

使用 LARS 算法计算最小角回归或 Lasso 路径。

Lasso

Lasso 是一种线性模型，它估计稀疏系数。

LassoLars

使用最小角回归 (也称为 Lars) 拟合的 Lasso 模型。

LassoCV

具有迭代拟合正则化路径的Lasso线性模型。

LassoLarsCV

使用 LARS 算法进行交叉验证的 Lasso。

sklearn.decomposition.sparse_encode

可以用来将信号转换为固定原子稀疏线性组合的估计器。

备注

例如，参见 examples/linear_model/plot_lasso_lasso_lars_elasticnet_path.py。

为了避免不必要的内存复制，fit 方法的 X 参数应直接作为 Fortran 连续的 NumPy 数组传递。

请注意，在某些情况下，Lars 求解器可能在实现此功能方面显著更快。特别是，可以使用线性插值来检索 lars_path 输出值之间的模型系数。

示例

比较 lasso_path 和 lars_path 与插值

>>> import numpy as np
>>> from sklearn.linear_model import lasso_path
>>> X = np.array([[1, 2, 3.1], [2.3, 5.4, 4.3]]).T
>>> y = np.array([1, 2, 3.1])
>>> # Use lasso_path to compute a coefficient path
>>> _, coef_path, _ = lasso_path(X, y, alphas=[5., 1., .5])
>>> print(coef_path)
[[0.         0.         0.46874778]
 [0.2159048  0.4425765  0.23689075]]

>>> # Now use lars_path and 1D linear interpolation to compute the
>>> # same path
>>> from sklearn.linear_model import lars_path
>>> alphas, active, coef_path_lars = lars_path(X, y, method='lasso')
>>> from scipy import interpolate
>>> coef_path_continuous = interpolate.interp1d(alphas[::-1],
...                                             coef_path_lars[:, ::-1])
>>> print(coef_path_continuous([5., 1., .5]))
[[0.         0.         0.46915237]
 [0.2159048  0.4425765  0.23668876]]

predict(X)

使用线性模型进行预测。

参数：

X形状为 (n_samples, n_features) 的类数组或稀疏矩阵

样本。

返回：:

C形状为 (n_samples,) 的数组

返回预测值。

score(X, y, sample_weight=None)

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）。始终预测 y 的期望值的常数模型，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，这可能是预先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：:

score浮点数

\(R^2\) of self.predict(X) 关于 y。

备注

从 0.23 版本开始，调用回归器的 score 方法时使用的 \(R^2\) 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(*, sample_weight: bool | None | str = '$UNCHANGED$') → LassoCV

请求传递到 fit 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。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，如果提供则传递到 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到 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。

注意

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

参数：

sample_weightstr、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED

fit 中 sample_weight 参数的元数据路由。

返回：:

self对象

更新后的对象。

set_params(**params)

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：:

self估计器实例

估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → LassoCV

请求传递到 score 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。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，如果提供则传递到 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到 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。

注意

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

参数：

sample_weightstr、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：:

self对象

更新后的对象。

图库示例

使用堆叠组合预测器

使用堆叠组合预测器

用于稀疏信号的基于 L1 的模型

用于稀疏信号的基于 L1 的模型

Lasso 模型选择：AIC-BIC / 交叉验证

Lasso 模型选择：AIC-BIC / 交叉验证

线性模型系数解释中的常见陷阱

线性模型系数解释中的常见陷阱

糖尿病数据集交叉验证练习

糖尿病数据集交叉验证练习