LarsCV#

class sklearn.linear_model.LarsCV(*, 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)[source]#

交叉验证的最小角回归模型。

请参阅词汇表中交叉验证估计器的条目。

在用户指南中阅读更多内容。

参数:
fit_intercept布尔值, 默认=True

是否为模型计算截距。如果设置为 False，计算中将不使用截距（即，假定数据已中心化）。

verbose布尔值或整型, 默认=False

设置详细程度。

max_iter整型, 默认=500

要执行的最大迭代次数。

precompute布尔值, ‘auto’ 或 类数组, 默认=’auto’

是否使用预计算的 Gram 矩阵以加快计算。如果设置为 'auto'，则由我们决定。Gram 矩阵不能作为参数传递，因为我们只使用 X 的子集。

cv整型, 交叉验证生成器或可迭代对象, 默认=None

确定交叉验证的分割策略。cv 的可能输入为

  • None，使用默认的 5 折交叉验证，

  • 整型，指定折叠数。

  • CV 分割器,

  • 一个可迭代对象，生成 (train, test) 分割作为索引数组。

对于整型/None 输入，将使用 KFold。

请参阅用户指南，了解此处可用的各种交叉验证策略。

0.22 版本中的变更: 如果为 None，cv 的默认值从 3 折改为 5 折。

max_n_alphas整型, 默认=1000

用于计算交叉验证中残差的路径上的最大点数。

n_jobs整型或 None, 默认=None

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，请参阅词汇表。

eps浮点型, 默认=np.finfo(float).eps

计算乔利斯基对角因子时的机器精度正则化。对于病态严重的系统，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_X布尔值, 默认=True

如果为 True，X 将被复制；否则，它可能会被覆盖。

属性:
active_长度为 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_形状为 (n_features,) 的类数组

参数向量（公式中的 w）

intercept_浮点型

决策函数中的独立项

coef_path_形状为 (n_features, n_alphas) 的类数组

沿路径系数的变化值

alpha_浮点型

估计的正则化参数 alpha

alphas_形状为 (n_alphas,) 的类数组

沿路径 alpha 的不同值

cv_alphas_形状为 (n_cv_alphas,) 的类数组

沿路径上所有不同折叠的 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）每个折叠上保留出的均方误差

n_iter_类数组或整型

Lars 以最优 alpha 运行的迭代次数。

n_features_in_整型

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

拟合期间看到的特征名称。仅当 X 的特征名称均为字符串时才定义。

1.0 版本新增。

另请参阅

lars_path

使用 LARS 算法计算最小角回归或 Lasso 路径。

lasso_path

使用坐标下降法计算 Lasso 路径。

Lasso

使用 L1 先验作为正则化器训练的线性模型（也称为 Lasso）。

LassoCV

沿正则化路径迭代拟合的 Lasso 线性模型。

LassoLars

使用最小角回归（又称 Lars）拟合的 Lasso 模型。

LassoLarsIC

使用 Lars、BIC 或 AIC 进行模型选择拟合的 Lasso 模型。

sklearn.decomposition.sparse_encode

稀疏编码。

注意

在 fit 中，一旦通过交叉验证找到最佳参数 alpha，模型将使用整个训练集再次进行拟合。

示例

>>> from sklearn.linear_model import LarsCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_samples=200, noise=4.0, random_state=0)
>>> reg = LarsCV(cv=5).fit(X, y)
>>> reg.score(X, y)
0.9996
>>> reg.alpha_
np.float64(0.2961)
>>> reg.predict(X[:1,])
array([154.3996])
fit(X, y, **params)[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,) 的类数组

目标值。

**params字典, 默认=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) 进行设置。有关更多详细信息，请参阅元数据路由用户指南。

返回:
self对象

返回 self 的一个实例。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南以了解路由机制的工作原理。

1.4 版本新增。

返回:
routingMetadataRouter

一个封装路由信息的 MetadataRouter。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔值, 默认=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:
params字典

参数名称映射到其值。

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 (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()。最佳可能分数为 1.0，并且可能为负（因为模型可能会任意变差）。一个始终预测 y 的期望值，而不考虑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=None

样本权重。

返回:
score浮点型

self.predict(X) 相对于 y 的 \(R^2\)。

注意

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 = '$UNCHANGED$') → LarsCV[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 时相关（请参阅 sklearn.set_config）。请参阅用户指南以了解路由机制的工作原理。

每个参数的选项有：

  • 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，且元估计器不会将其传递给 fit。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：元数据应以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）保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版本新增。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如在 Pipeline 内部使用。否则，它没有效果。

参数:
Xy字符串, True, False, 或 None, 默认=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，以便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 = '$UNCHANGED$') → LarsCV[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 时相关（请参阅 sklearn.set_config）。请参阅用户指南以了解路由机制的工作原理。

每个参数的选项有：

  • 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，且元估计器不会将其传递给 score。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：元数据应以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）保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版本新增。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如在 Pipeline 内部使用。否则，它没有效果。

参数:
sample_weight字符串, True, False, 或 None, 默认=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。