最小角回归路径#
- sklearn.linear_model.lars_path(X, y, Xy=None, *, Gram=None, max_iter=500, alpha_min=0, method='lar', copy_X=True, eps=np.float64(2.220446049250313e-16), copy_Gram=True, verbose=0, return_path=True, return_n_iter=False, positive=False)[source]#
使用LARS算法计算最小角回归或Lasso路径。
当method='lasso'时，优化目标为
(1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1
当method='lar'时，目标函数只以隐式方程的形式已知（参见[1]中的讨论）。
更多信息请参见用户指南。
- 参数：
- XNone 或 shape 为 (n_samples, n_features) 的 ndarray
输入数据。如果 X 为
None，Gram 也必须为None。如果只有 Gram 矩阵可用，请改用lars_path_gram。- yNone 或 shape 为 (n_samples,) 的 ndarray
输入目标。
- Xyshape 为 (n_features,) 的 array-like，默认为 None
Xy = X.T @ y可以预先计算。只有在 Gram 矩阵预先计算的情况下才有用。- GramNone, ‘auto’, bool, shape 为 (n_features, n_features) 的 ndarray，默认为 None
预先计算的 Gram 矩阵
X.T @ X，如果为'auto'，则从给定的 X 预先计算 Gram 矩阵，前提是样本数大于特征数。- max_iterint，默认为 500
要执行的最大迭代次数，设置为无穷大表示无限制。
- alpha_minfloat，默认为 0
路径上的最小相关性。它对应于 Lasso 中的正则化参数
alpha。- method{'lar', 'lasso'}，默认为 'lar'
指定返回的模型。选择
'lar'表示最小角回归，'lasso'表示 Lasso。- copy_Xbool，默认为 True
如果为
False，则会覆盖X。- epsfloat，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差。- copy_Grambool，默认为 True
如果为
False，则会覆盖Gram。- verboseint，默认为 0
控制输出详细程度。
- return_pathbool，默认为 True
如果为
True，则返回整个路径，否则只返回路径的最后一个点。- return_n_iterbool，默认为 False
是否返回迭代次数。
- positivebool，默认为 False
将系数限制为 >= 0。此选项仅允许使用 method 'lasso'。请注意，对于较小的 alpha 值，模型系数不会收敛到普通最小二乘解。逐步 Lars-Lasso 算法达到的最小 alpha 值（当 fit_path=True 时为
alphas_[alphas_ > 0.].min()）之前的系数通常与坐标下降lasso_path函数的解一致。
- 返回值：
- alphasshape 为 (n_alphas + 1,) 的 ndarray
每次迭代时协方差的最大值（绝对值）。
n_alphas要么是max_iter、n_features，要么是路径中alpha >= alpha_min的节点数，取较小者。- activeshape 为 (n_alphas,) 的 ndarray
路径结束时活动变量的索引。
- coefsshape 为 (n_features, n_alphas + 1) 的 ndarray
路径上的系数。
- n_iterint
运行的迭代次数。仅当
return_n_iter设置为 True 时返回。
另请参见
lars_path_gram在充分统计模式下计算LARS路径。
lasso_path使用坐标下降法计算Lasso路径。
LassoLars使用最小角回归（也称为Lars）拟合Lasso模型。
Lars最小角回归模型（也称为LAR）。
LassoLarsCV使用LARS算法进行交叉验证的Lasso。
LarsCV交叉验证的最小角回归模型。
sklearn.decomposition.sparse_encode稀疏编码。
参考文献
示例
>>> from sklearn.linear_model import lars_path >>> from sklearn.datasets import make_regression >>> X, y, true_coef = make_regression( ... n_samples=100, n_features=5, n_informative=2, coef=True, random_state=0 ... ) >>> true_coef array([ 0. , 0. , 0. , 97.9..., 45.7...]) >>> alphas, _, estimated_coef = lars_path(X, y) >>> alphas.shape (3,) >>> estimated_coef array([[ 0. , 0. , 0. ], [ 0. , 0. , 0. ], [ 0. , 0. , 0. ], [ 0. , 46.96..., 97.99...], [ 0. , 0. , 45.70...]])
