Lars#

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，又称LAR。

在用户指南中了解更多。

参数:

fit_interceptbool, 默认为 True: 是否为模型计算截距。如果设置为 False，则计算中不使用截距（即数据应已中心化）。
verbosebool 或 int, 默认为 False: 设置详细程度。
precomputebool, ‘auto’ 或 array-like, 默认为 ‘auto’: 是否使用预计算的 Gram 矩阵以加速计算。如果设置为 'auto'，则由我们决定。Gram 矩阵也可以作为参数传入。
n_nonzero_coefsint, 默认为 500: 目标非零系数的数量。使用 np.inf 表示无限制。
epsfloat, 默认为 np.finfo(float).eps: 计算 Cholesky 对角因子时的机器精度正则化。对于病态严重的系统，请增大此值。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_Xbool, 默认为 True: 如果为 True，则会复制 X；否则，X 可能会被覆盖。
fit_pathbool, 默认为 True: 如果为 True，则完整路径会存储在 coef_path_ 属性中。如果为大型问题或多个目标计算解，将 fit_path 设置为 False 将会加快速度，特别是当 alpha 值较小时。
jitterfloat, 默认为 None: 添加到 y 值的均匀噪声参数的上限，以满足模型一次只计算一个的假设。可能有助于提高稳定性。

0.23 版本新增。
random_stateint, RandomState 实例或 None, 默认为 None: 决定抖动时的随机数生成。传入一个整数可以在多次函数调用中获得可重现的输出。参见词汇表。如果 jitter 为 None，则忽略此参数。

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: 每次迭代中协方差的最大值（绝对值）。n_alphas 是 max_iter、n_features 或路径中 alpha >= alpha_min 的节点数中的较小值。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: 路径末端活动变量的索引。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: 沿路径变化的系数的值。如果 fit_path 参数为 False，则此属性不存在。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_float 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 int: lars_path 为每个目标找到 alpha 网格所花费的迭代次数。
n_features_in_int: 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。仅当 X 的所有特征名称均为字符串时才定义。

1.0 版本新增。

另请参见

lars_path: 使用 LARS 算法计算最小角回归或 Lasso 路径。
LarsCV: 交叉验证的最小角回归模型。
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 Gram 矩阵已预计算时才有用。

返回:

self对象: 返回 self 的实例。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

返回:

routingMetadataRequest: 一个封装路由信息的MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:

deepbool, 默认为 True: 如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:

paramsdict: 参数名称及其对应值的映射。

predict(X)[source]#

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数组, 形状为 (n_samples,): 返回预测值。

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

返回测试数据的决定系数。

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()，$v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳得分是 1.0，它也可以是负数（因为模型可能任意差）。一个始终预测 y 的期望值而忽略输入特征的常数模型将获得 0.0 的 $R^2$ 分数。

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，这可能是一个预计算的核矩阵，或者是一个通用对象列表，形状为 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是估计器拟合中使用的样本数量。
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:

scorefloat: 关于 y，self.predict(X) 的 $R^2$ 值。

备注

在回归器上调用 score 时使用的 $R^2$ 分数从 0.23 版本开始使用 multioutput='uniform_average'，以与 r2_score 的默认值保持一致。这影响了所有多输出回归器（MultiOutputRegressor 除外）的 score 方法。

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，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。请参阅用户指南以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，则忽略该请求。
False：不请求元数据，并且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，元估计器将引发错误。
str：元数据应以给定别名而非原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求而不更改其他参数的请求。

1.3 版本新增。

注意

此方法仅在估计器用作元估计器的子估计器时相关，例如在 Pipeline 内部使用时。否则无效。

参数:

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

返回:

self对象: 更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单估计器以及嵌套对象（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 = '$UNCHANGED$') → Lars[source]#

请求传递给 score 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。请参阅用户指南以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，则忽略该请求。
False：不请求元数据，并且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，元估计器将引发错误。
str：元数据应以给定别名而非原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求而不更改其他参数的请求。

1.3 版本新增。

注意

此方法仅在估计器用作元估计器的子估计器时相关，例如在 Pipeline 内部使用时。否则无效。

参数:

sample_weightstr, True, False 或 None, 默认为 sklearn.utils.metadata_routing.UNCHANGED: score 方法中 sample_weight 参数的元数据路由。

返回:

self对象: 更新后的对象。

Lars#

本页