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]#

交叉验证最小角回归模型。

参见交叉验证估计器的词汇表条目。

在用户指南中阅读更多内容。

参数：

fit_interceptbool, default=True

是否计算此模型的截距。如果设置为false，则计算中不使用截距（即，数据应居中）。

verbosebool 或 int, default=False

设置详细程度。

max_iterint, default=500

要执行的最大迭代次数。

precomputebool, ‘auto’ 或 array-like , default=’auto’

是否使用预计算的 Gram 矩阵来加速计算。如果设置为'auto'，则由我们决定。由于我们只使用 X 的子集，因此 Gram 矩阵不能作为参数传递。

cvint, 交叉验证生成器或可迭代对象, default=None

确定交叉验证拆分策略。cv 的可能输入为：

None，使用默认的 5 折交叉验证；
整数，指定折叠数。
CV 分割器,
一个迭代器，产生 (train, test) 拆分，作为索引数组。

对于整数/None 输入，使用 KFold。

有关此处可使用的各种交叉验证策略，请参考用户指南。

0.22 版本中的变更：如果为 None，则 cv 的默认值已从 3 折更改为 5 折。

max_n_alphasint，默认值=1000

用于计算交叉验证中残差的路径上的最大点数。

n_jobsint 或 None，默认值=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，请参见词汇表。

epsfloat，默认值=np.finfo(float).eps

计算 Cholesky 对角因子时的机器精度正则化。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_Xbool，默认值=True

如果 True，则将复制 X；否则，可能会将其覆盖。

属性：

active_长度为 n_alphas 的列表或此类列表的列表: 路径结束时活动变量的索引。如果这是一个列表的列表，则外部列表长度为 n_targets。
coef_形状为 (n_features,) 的数组型: 参数向量（公式中的 w）
intercept_float: 决策函数中的独立项
coef_path_形状为 (n_features, n_alphas) 的数组型: 沿路径变化的系数值
alpha_float: 估计的正则化参数 alpha
alphas_形状为 (n_alphas,) 的数组型: 沿路径的不同 alpha 值
cv_alphas_形状为 (n_cv_alphas,) 的数组型: 不同折叠沿路径的所有 alpha 值
mse_path_形状为 (n_folds, n_cv_alphas) 的数组型: 沿路径（cv_alphas 给出的 alpha 值）每个折叠中遗漏的均方误差
n_iter_数组型或 int: Lars 使用最佳 alpha 运行的迭代次数。
n_features_in_int: 在拟合期间看到的特征数量。

0.24 版本中添加。
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 的特征名称全部为字符串时才定义。

1.0 版本中添加。

另请参见

lars_path: 使用 LARS 算法计算最小角回归或 Lasso 路径。
lasso_path: 使用坐标下降计算 Lasso 路径。
Lasso: 使用 L1 先验作为正则化器的线性模型（又名 Lasso）。
LassoCV: 沿正则化路径进行迭代拟合的 Lasso 线性模型。
LassoLars: 使用最小角回归（又名 Lars）拟合的 Lasso 模型。
LassoLarsIC: 使用 BIC 或 AIC 进行模型选择的 Lars 拟合的 Lasso 模型。
sklearn.decomposition.sparse_encode: 稀疏编码。

备注

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

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) 的数组型: 训练数据。
y形状为 (n_samples,) 的数组型: 目标值。
**paramsdict，默认值=None: 要传递给 CV 分割器的参数。

1.4 版本中添加：仅当 enable_metadata_routing=True 时才可用，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，请参见元数据路由用户指南。

返回值：

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，了解路由机制的工作原理。

1.4 版本中添加。

返回值：

routingMetadataRouter: 一个 MetadataRouter，封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deepbool，默认值=True: 如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回值：

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：

X数组型或稀疏矩阵，形状为 (n_samples, n_features): 样本。

返回值：

C数组，形状为 (n_samples,): 返回预测值。

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

返回预测的决定系数。

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()，而 $v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳分数是 1.0，但也可能是负数（因为模型可以任意地更差）。一个始终预测 y 期望值的常数模型，忽略输入特征，其 $R^2$ 分数为 0.0。

参数：

X形状为 (n_samples, n_features) 的数组型: 测试样本。对于某些估计器，这可能是一个预计算的核矩阵，或者是一个形状为 (n_samples, n_samples_fitted) 的泛型对象列表，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。

返回值：

score浮点数: self.predict(X) 关于 y 的 $R^2$。

备注

从 0.23 版本开始，调用回归器的 score 方法时使用的 $R^2$ 分数使用 multioutput='uniform_average'，以保持与 r2_score 的默认值一致。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 = '$UNCHANGED$') → LarsCV[source]#

请求传递到 fit 方法的元数据。

请注意，只有在 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。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，并在提供时传递给 fit。如果未提供元数据，则忽略请求。
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：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）保留现有的请求。这允许您更改某些参数的请求，而其他参数则不更改。

1.3 版中新增。

注意

仅当将此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用），此方法才相关。否则，它没有任何作用。

参数：

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

返回值：

self对象: 更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如 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。

返回值：

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，只有在 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。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，则忽略此请求。
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：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）保留现有的请求。这允许您更改某些参数的请求，而其他参数则不更改。

1.3 版中新增。

注意

仅当将此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用），此方法才相关。否则，它没有任何作用。

参数：

sample_weightstr, 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。

返回值：

self对象: 更新后的对象。