LassoLarsCV

class sklearn.linear_model.LassoLarsCV(*, fit_intercept=True, verbose=False, max_iter=500, precompute='auto', cv=None, max_n_alphas=1000, n_jobs=None, eps=np.float64(2.220446049250313e-16), copy_X=True, positive=False)

使用LARS算法进行交叉验证的Lasso回归。

参见交叉验证估计器的词汇表条目。

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：

fit_intercept布尔值，默认为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）。

verbose布尔值或整数，默认为False

设置详细程度。

max_iter整数，默认为500

要执行的最大迭代次数。

precompute布尔值或'auto'，默认为'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。由于我们只使用X的子集，因此Gram矩阵不能作为参数传递。

cv整数、交叉验证生成器或可迭代对象，默认为None

确定交叉验证拆分策略。cv的可能输入为：

• None，使用默认的5折交叉验证；

• 整数，指定折叠数；

• CV分割器,

• 一个可迭代对象，生成(train, test)拆分作为索引数组。

对于整数/None输入，使用KFold。

参考用户指南了解此处可以使用的各种交叉验证策略。

0.22版本中的变更： 如果为None，则cv的默认值从3折更改为5折。

max_n_alphas整数，默认为1000

用于计算交叉验证中残差的路径上的最大点数。

n_jobs整数或None，默认为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。更多详情请参见词汇表。

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。对于病态系统，请增加此值。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

如果为True，则复制X；否则，它可能会被覆盖。

positive布尔值，默认为False

将系数限制为>= 0。请注意，您可能希望移除默认设置为True的fit_intercept。在正约束下，模型系数不会收敛到小的alpha值的普通最小二乘解。只有逐步Lars-Lasso算法达到的最小alpha值（当fit_path=True时为alphas_[alphas_ > 0.].min()）的系数通常与坐标下降Lasso估计器的解一致。因此，只有在预期和/或达到稀疏解的问题中，使用LassoLarsCV才有意义。

属性：

coef_形状为(n_features,)的类数组

参数向量（公式中的w）

intercept_浮点数

判定函数中的独立项。

coef_path_形状为(n_features, n_alphas)的类数组

沿路径变化的系数值

alpha_浮点数

估计的正则化参数alpha

alphas_形状为(n_alphas,)的类数组

沿路径的不同alpha值

cv_alphas_形状为(n_cv_alphas,)的类数组

不同折叠的路径上所有alpha值

mse_path_形状为(n_folds, n_cv_alphas)的类数组

沿路径（由cv_alphas给出的alpha值）每个折叠的留出均方误差

n_iter_类数组或整数

使用最佳alpha运行的Lars迭代次数。

active_整数列表

路径结束时活动变量的索引。

n_features_in_整数

在拟合期间看到的特征数。

0.24版本中添加。

feature_names_in_形状为(n_features_in_,)的ndarray

在拟合期间看到的特征名称。仅当X具有全是字符串的特征名称时才定义。

1.0版本中添加。

另请参见

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

使用L1先验作为正则化器的线性模型（又名Lasso）。

LassoCV

沿正则化路径进行迭代拟合的Lasso线性模型。

LassoLars

使用最小角回归（又名Lars）拟合的Lasso模型。

LassoLarsIC

使用BIC或AIC进行模型选择的Lars拟合的Lasso模型。

sklearn.decomposition.sparse_encode

稀疏编码。

注释

该对象与LassoCV对象解决相同的问题。但是，与LassoCV不同，它会自行寻找相关的alpha值。通常情况下，由于此特性，它会更加稳定。但是，它对高度多重共线的数据集更为脆弱。

如果与特征总数相比，仅选择少量特征，例如样本数量远小于特征数量，则它比LassoCV更高效。

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。

示例

>>> from sklearn.linear_model import LassoLarsCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4.0, random_state=0)
>>> reg = LassoLarsCV(cv=5).fit(X, y)
>>> reg.score(X, y)
0.9993...
>>> reg.alpha_
np.float64(0.3972...)
>>> reg.predict(X[:1,])
array([-78.4831...])

fit(X, y, **params)

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,) 的类数组

目标值。

**paramsdict, 默认值=None

传递给CV分割器的参数。

1.4版本中新增： 仅当enable_metadata_routing=True时可用，这可以通过使用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

返回自身的实例。

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版本中新增。

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, 默认值=True

如果为True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回：

paramsdict

参数名称与其值的映射。

predict(X)

使用线性模型进行预测。

参数：

X类数组或稀疏矩阵，形状为 (n_samples, n_features)

样本。

返回：

C数组，形状为 (n_samples,)

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）。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的真值。

sample_weight形状为 (n_samples,) 的类数组，默认值=None

样本权重。

返回：

scorefloat

self.predict(X)相对于y的\(R^2\)。

注释

从0.23版本开始，在回归器上调用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 = '$UNCHANGED$') → LassoLarsCV

请求传递给fit方法的元数据。

请注意，只有在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：

• 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，则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，而不对其他参数进行更改。

版本 1.3 中新增。

注意

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）, 此方法才相关。否则，它无效。

参数：

Xystr、True、False 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED

fit中Xy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：

**paramsdict

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 = '$UNCHANGED$') → LassoLarsCV

请求传递给score方法的元数据。

请注意，只有在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：

• 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，则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，而不对其他参数进行更改。

版本 1.3 中新增。

注意

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）, 此方法才相关。否则，它无效。

参数：

sample_weightstr、True、False 或 None，默认值为 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

Lasso 模型选择：AIC-BIC / 交叉验证

Lasso 模型选择：AIC-BIC / 交叉验证