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)[source]#

使用 LARS 算法的交叉验证 Lasso。

请参见交叉验证估计器的术语表条目。

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布尔型, 默认为 True

是否为本模型计算截距。如果设置为 false，则计算中不使用截距（即数据应已中心化）。

verbose布尔型或整型, 默认为 False

设置详细程度。

max_iter整型, 默认为 500

要执行的最大迭代次数。

precompute布尔型或 'auto'，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, 默认为 None

确定交叉验证的拆分策略。cv 的可能输入包括：

  • 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，产生 (训练集, 测试集) 分割，形式为索引数组。

对于整型/None 输入，使用KFold。

有关此处可用的各种交叉验证策略，请参阅用户指南。

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

max_n_alphas整型, 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整型或 None, 默认为 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，请参见术语表。

eps浮点型, 默认为 np.finfo(float).eps

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

如果为 True，X 将被复制；否则，它可能会被覆盖。

positive布尔型, 默认为 False

限制系数 >= 0。请注意，您可能希望移除默认设置为 True 的 fit_intercept。在正向限制下，模型系数不会在 alpha 值较小时收敛到普通最小二乘解。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，LassoLarsCV 仅适用于预期和/或达到稀疏解的问题。

属性:
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

路径上系数的不同值

alpha_浮点型

估计的正则化参数 alpha

alphas_形状为 (n_alphas,) 的类数组

路径上 alpha 的不同值

cv_alphas_形状为 (n_cv_alphas,) 的类数组

路径上不同折叠的 alpha 所有值

mse_path_形状为 (n_folds, n_cv_alphas) 的类数组

路径上每个折叠的留出均方误差（alpha 值由cv_alphas给出）

n_iter_类数组或整型

Lars 使用最优 alpha 运行的迭代次数。

active_整型列表

路径末端活跃变量的索引。

n_features_in_整型

拟合期间看到的特征数量。

在 0.24 版本中新增。

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的特征名称全部为字符串时才定义。

在 1.0 版本中新增。

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 和 BIC 或 AIC 进行模型选择的 Lasso 模型。

sklearn.decomposition.sparse_encode

稀疏编码。

注意

此对象解决了与LassoCV对象相同的问题。然而，与LassoCV不同的是，它会自行找到相关的 alpha 值。通常，由于这个特性，它会更稳定。但是，它对高度多重共线的数据集更脆弱。

如果只选择了少量特征（相对于总特征数），例如样本数远少于特征数，它比LassoCV更高效。

在fit方法中，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 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)[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字典型, 默认为 None

要传递给 CV 分割器的参数。

在 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。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

返回自身的一个实例。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南，了解路由机制的工作原理。

在 1.4 版本中新增。

返回:
routingMetadataRouter

一个包含路由信息的MetadataRouter。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔型, 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:
params字典型

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)[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，也可能为负值（因为模型可能任意糟糕）。一个总是预测y的期望值，而不考虑输入特征的常数模型，其\(R^2\)得分为 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:
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[source]#

请求传递给fit方法的元数据。

请注意，此方法仅当enable_metadata_routing=True时才相关（参见sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项是：

  • 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，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，则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。

在 1.3 版本中新增。

注意

此方法仅在将此估计器用作元估计器的子估计器时才相关，例如在Pipeline内部使用时。否则，它不起作用。

参数:
Xy字符串、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`<组件>__<参数>`形式的参数，因此可以更新嵌套对象的每个组件。

参数:
**params字典型

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[source]#

请求传递给score方法的元数据。

请注意，此方法仅当enable_metadata_routing=True时才相关（参见sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项是：

  • 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，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，则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。

在 1.3 版本中新增。

注意

此方法仅在将此估计器用作元估计器的子估计器时才相关，例如在Pipeline内部使用时。否则，它不起作用。

参数:
sample_weight字符串、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。