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，又名 LAR。

Read more in the User Guide.

参数:

fit_interceptbool, default=True: Whether to calculate the intercept for this model. If set to false, no intercept will be used in calculations (i.e. data is expected to be centered).
verbosebool or int, default=False: Sets the verbosity amount.
precomputebool, ‘auto’ 或 array-like , 默认值='auto': 是否使用预计算的Gram矩阵来加快计算速度。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, 默认值=500: 非零系数的目标数量。使用 np.inf 表示没有限制。
epsfloat, default=np.finfo(float).eps: The machine-precision regularization in the computation of the Cholesky diagonal factors. Increase this for very ill-conditioned systems. Unlike the tol parameter in some iterative optimization-based algorithms, this parameter does not control the tolerance of the optimization.
copy_Xbool, default=True: 如果为True，X将被复制；否则，它可能会被覆盖。
fit_pathbool, 默认值=True: 如果为 True，则完整路径存储在 coef_path_ 属性中。如果你要计算一个大型问题或许多目标的解决方案，将 fit_path 设置为 False 将会提高速度，尤其是在 alpha 值较小的情况下。
jitterfloat, 默认值=None: 要添加到 y 值的均匀噪声参数的上限，以满足模型一次一计算的假设。可能有助于稳定性。

0.23 版本新增。
random_stateint, RandomState instance or None, default=None: 确定抖动（jittering）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 Glossary。如果 jitter 为 None 则忽略。

0.23 版本新增。

属性:

alphas_array-like of shape (n_alphas + 1,) or list of such arrays: 每次迭代中协方差（绝对值）的最大值。n_alphas 是 max_iter、n_features 或路径中 alpha >= alpha_min 的节点数量中的较小者。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: 路径末端活跃变量的索引。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，则不显示此项。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_array-like or 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。

0.24 版本新增。
feature_names_in_shape 为 (n_features_in_,) 的 ndarray: 在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

另请参阅

lars_path: Compute Least Angle Regression or Lasso path using LARS algorithm.
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]#

Fit the model using X, y as training data.

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 训练数据。
yshape 为 (n_samples,) 或 (n_samples, n_targets) 的 array-like: 目标值。
Xyarray-like of shape (n_features,) or (n_features, n_targets), default=None: 可以预计算的Xy = np.dot(X.T, y)。仅当Gram矩阵预计算时有用。

返回:

selfobject: Returns an instance of self.

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南，了解路由机制如何工作。

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:

deepbool, default=True: 如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:

paramsdict: 参数名称映射到其值。

predict(X)[source]#

使用线性模型进行预测。

参数:

Xarray-like or sparse matrix, shape (n_samples, n_features): 样本。

返回:

Carray, shape (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（因为模型可能任意地差）。一个总是预测 y 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:

Xshape 为 (n_samples, n_features) 的 array-like: 测试样本。对于某些估计器，这可能是一个预先计算的核矩阵或一个通用对象列表，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。
yshape 为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like: X 的真实值。
sample_weightshape 为 (n_samples,) 的 array-like, default=None: 样本权重。

返回:

scorefloat: self.predict(X) 相对于 y 的 $R^2$。

注意事项

在回归器上调用 score 时使用的 $R^2$ 分数从版本 0.23 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（除了 MultiOutputRegressor）的 score 方法。

set_fit_request(*, Xy: bool | None | str = '$UNCHANGED$') → Lars[source]#

配置是否应请求元数据以传递给 fit 方法。

请注意，此方法仅在以下情况下相关：此估计器用作元估计器中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看用户指南以了解路由机制的工作原理。

每个参数的选项如下：

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，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：应将元数据以给定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。

在版本 1.3 中新增。

参数:

Xystr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: Metadata routing for Xy parameter in fit.

返回:

selfobject: 更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的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:

**paramsdict: 估计器参数。

返回:

selfestimator instance: 估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → Lars[source]#

配置是否应请求元数据以传递给 score 方法。

请注意，此方法仅在以下情况下相关：此估计器用作元估计器中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看用户指南以了解路由机制的工作原理。

每个参数的选项如下：

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，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：应将元数据以给定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。

在版本 1.3 中新增。

参数:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: score 方法中 sample_weight 参数的元数据路由。

返回:

selfobject: 更新后的对象。

Lars#

本页