LassoLars#

class sklearn.linear_model.LassoLars(alpha=1.0, *, fit_intercept=True, verbose=False, precompute='auto', max_iter=500, eps=np.float64(2.220446049250313e-16), copy_X=True, fit_path=True, positive=False, jitter=None, random_state=None)[source]#

使用最小角回归（Lars）拟合的Lasso模型。

这是一种使用L1先验作为正则化项训练的线性模型。

Lasso 的优化目标是

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

详情请参阅用户指南。

参数:
alpha浮点数, 默认值=1.0

惩罚项的乘数常数。默认值为 1.0。alpha = 0 等同于普通最小二乘法，由LinearRegression解决。出于数值原因，不建议在LassoLars对象中使用alpha = 0，您应该优先使用LinearRegression对象。

fit_intercept布尔型, 默认值=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（即数据预期是中心化的）。

verbose布尔型或整型, 默认值=False

设置详细程度。

precompute布尔型, 'auto' 或 数组型, 默认值='auto'

是否使用预计算的Gram矩阵来加速计算。如果设置为'auto'，则由系统决定。Gram矩阵也可以作为参数传入。

max_iter整型, 默认值=500

要执行的最大迭代次数。

eps浮点型, 默认值=np.finfo(float).eps

Cholesky 对角因子计算中的机器精度正则化。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布尔型, 默认值=True

如果为 True，X将被复制；否则，它可能会被覆盖。

fit_path布尔型, 默认值=True

如果为True，则完整路径存储在coef_path_属性中。如果您要计算大型问题或多个目标，将fit_path设置为False将带来速度提升，特别是当alpha较小时。

positive布尔型, 默认值=False

将系数限制为 >= 0。请注意，您可能需要移除默认设置为 True 的 fit_intercept。在正向限制下，对于较小的 alpha 值，模型系数不会收敛到普通最小二乘解。只有通过逐步 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。

jitter浮点型, 默认值=None

添加到 y 值中的均匀噪声参数的上限，以满足模型一次性计算的假设。可能有助于提高稳定性。

0.23 版本新增。

random_state整型, RandomState 实例或 None, 默认值=None

确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。请参阅术语表。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，取其中较小者。如果这是一个类数组的列表，则外部列表的长度为n_targets。

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_path_形状为 (n_features, n_alphas + 1) 的类数组或此类数组的列表

如果传入一个列表，则预期它是 n_targets 数组中的一个。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的列表，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_浮点型或形状为 (n_targets,) 的类数组

决策函数中的独立项。

n_iter_类数组或整型

lars_path 为每个目标找到 alphas 网格所需的迭代次数。

n_features_in_整型

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的特征名称全为字符串时定义。

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

使用坐标下降法计算Lasso路径。

Lasso

使用L1先验作为正则化项训练的线性模型（即Lasso）。

LassoCV

沿正则化路径迭代拟合的Lasso线性模型。

LassoLarsCV

使用LARS算法的交叉验证Lasso。

LassoLarsIC

使用BIC或AIC进行模型选择的Lars拟合Lasso模型。

sklearn.decomposition.sparse_encode

稀疏编码。

示例

>>> from sklearn import linear_model
>>> reg = linear_model.LassoLars(alpha=0.01)
>>> reg.fit([[-1, 1], [0, 0], [1, 1]], [-1, 0, -1])
LassoLars(alpha=0.01)
>>> print(reg.coef_)
[ 0.         -0.955]
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, 默认值=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。

请查阅用户指南，了解路由机制的工作原理。

返回:
routingMetadataRequest

封装路由信息的MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔型, 默认值=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, 形状为 (n_samples,)

返回预测值。

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

返回测试数据上的决定系数。

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）。一个总是预测y的期望值而忽略输入特征的常数模型将获得0.0的\(R^2\)得分。

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是用于估计器拟合的样本数量。

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, 默认值=None

样本权重。

返回:
score浮点型

self.predict(X)相对于y的\(R^2\)值。

备注

在回归器上调用score时使用的\(R^2\)得分从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（除了MultiOutputRegressor）的score方法。

set_fit_request(*, Xy: bool | None | str = '$UNCHANGED$') → LassoLars[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，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

此方法仅在估计器作为元估计器的子估计器使用时才相关，例如在Pipeline内部使用时。否则，它没有效果。

参数:
Xy字符串型, True, False 或 None, 默认值=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:
**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 = '$UNCHANGED$') → LassoLars[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，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

此方法仅在估计器作为元估计器的子估计器使用时才相关，例如在Pipeline内部使用时。否则，它没有效果。

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