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（也称为 Lars）拟合的 Lasso 模型。

它是一个使用 L1 先验作为正则化器的线性模型。

Lasso 的优化目标是

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

更多信息请参见用户指南。

参数:

alpha浮点数，默认为 1.0: 乘以惩罚项的常数。默认为 1.0。alpha = 0 等效于普通最小二乘法，由 LinearRegression 求解。出于数值原因，不建议使用 LassoLars 对象的 alpha = 0，应优先使用 LinearRegression 对象。
fit_intercept布尔值，默认为 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）。
verbose布尔值或整数，默认为 False: 设置详细程度。
precompute布尔值，'auto' 或数组，默认为 'auto': 是否使用预先计算的 Gram 矩阵来加快计算速度。如果设置为 'auto'，则由系统决定。Gram 矩阵也可以作为参数传递。
max_iter整数，默认为 500: 要执行的最大迭代次数。
eps浮点数，默认为 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。与一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，默认为 True: 如果为 True，则复制 X；否则，可能会覆盖 X。
fit_path布尔值，默认为 True: 如果 True，则完整路径存储在 coef_path_ 属性中。如果计算大型问题或多个目标的解，则将 fit_path 设置为 False 将提高速度，尤其是在 alpha 值较小的情况下。
positive布尔值，默认为 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。在正限制下，模型系数不会收敛到较小 alpha 值的普通最小二乘解。通常情况下，只有逐步 Lars-Lasso 算法达到的最小 alpha 值（alphas_[alphas_ > 0.].min()，当 fit_path=True 时）之前的系数才与坐标下降 Lasso 估计器的解一致。
jitter浮点数，默认为 None: 添加到 y 值的均匀噪声参数的上限，以满足模型关于一次计算一个值的假设。可能有助于提高稳定性。

0.23 版本中添加。
random_state整数、RandomState 实例或 None，默认为 None: 确定抖动的随机数生成。传递一个整数，以便在多次函数调用中获得可重复的输出。参见词汇表。如果 jitter 为 None，则忽略。

0.23 版本中添加。

属性:

alphas_形状为 (n_alphas + 1,) 的类数组或此类数组的列表: 每次迭代时最大协方差（绝对值）。n_alphas 为 max_iter、n_features 或路径中 alpha >= alpha_min 的节点数中的最小值。如果这是一个类数组列表，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: 如果传递的是列表，则应为 n_targets 个此类数组之一。沿路径变化的系数值。如果 fit_path 参数为 False，则不存在。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_浮点数或形状为 (n_targets,) 的类数组: 决策函数中的独立项。
n_iter_类数组或整数: lars_path 为每个目标查找 alpha 网格所用的迭代次数。
n_features_in_整数: 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: 拟合期间看到的特征名称。仅当 X 具有全是字符串的特征名称时才定义。

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。
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 拟合的 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。仅当预先计算了 Gram 矩阵时才有用。

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。

请查看用户指南，了解路由机制的工作原理。

返回:

routingMetadataRequest: 一个 MetadataRequest 封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:

deep布尔值，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:

params字典: 参数名称与其值的映射。

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()。最佳分数为 1.0，也可能为负数（因为模型可以任意差）。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，这可能是预先计算的核矩阵或形状为 (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。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组: X 的真值。
sample_weight形状为 (n_samples,) 的类数组，默认值=None: 样本权重。

返回:

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

注释

从 0.23 版本开始，调用回归器的 score 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 = '$UNCHANGED$') → LassoLars[source]#

请求传递给 fit 方法的元数据。

请注意，仅当 enable_metadata_routing=True 时（参见 sklearn.set_config）此方法才相关。请查看用户指南，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，则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，而无需更改其他参数的请求。

1.3 版本中新增。

注释

此方法仅当该估计器用作元估计器的子估计器时才相关，例如，在 Pipeline 中使用。否则，它无效。

参数:

Xystr、True、False 或 None，默认值为 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]#

设置该估计器的参数。

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:

**paramsdict: 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，仅当 enable_metadata_routing=True 时（参见 sklearn.set_config）此方法才相关。请查看用户指南，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，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，而无需更改其他参数的请求。

1.3 版本中新增。

注释

此方法仅当该估计器用作元估计器的子估计器时才相关，例如，在 Pipeline 中使用。否则，它无效。

参数:

sample_weightstr、True、False 或 None，默认值为 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。