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)[源]#

用最小角回归拟合的 Lasso 模型，即 Lars。

它是一个线性模型，使用L1先验作为正则化项进行训练。

The optimization objective for Lasso is

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

Read more in the User Guide.

参数:

alphafloat, default=1.0: 乘以惩罚项的常数。默认为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，而应优先使用LinearRegression对象。
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.
precompute布尔值、'auto' 或类似数组, 默认为 '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。
max_iterint, default=500: 要执行的最大迭代次数。
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_path布尔值, 默认为 True: 如果为True，则完整的路径会存储在coef_path_属性中。如果计算一个大问题或许多目标，将fit_path设置为False将加快速度，尤其是在alpha较小的情况下。
positivebool, default=False: 将系数限制为 >= 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，模型系数不会收敛到普通最小二乘解，即使alpha值很小。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()）之前的系数通常与坐标下降Lasso估计器的解一致。
jitter浮点数, 默认为 None: 要添加到y值中的均匀噪声参数的上限，以满足模型一次一个计算的假设。可能有助于提高稳定性。

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。

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。如果这是一个类似数组的列表，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) 的类似数组，或此类数组的列表: 如果传入列表，则预期为n_targets个此类数组之一。沿路径变化的系数。如果fit_path参数为False，则不显示此属性。如果这是一个类似数组的列表，则外部列表的长度为n_targets。
coef_形状为 (n_features,) 或 (n_targets, n_features) 的类似数组: 参数向量（公式中的 w）。
intercept_浮点数或形状为 (n_targets,) 的类似数组: 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.
lasso_path: 使用坐标下降计算 Lasso 路径。
Lasso: 使用 L1 先验作为正则化项训练的线性模型（又名 Lasso）。
LassoCV: 具有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)[源]#

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()[源]#

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)[源]#

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)[源]#

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形状为 (n_samples,) 或 (n_samples, n_outputs) 的 ndarray: 预测值。

score(X, y, sample_weight=None)[源]#

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()。最佳可能分数为1.0，并且可能为负（因为模型可能任意糟糕）。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$R^2$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

从0.23版本开始，在回归器上调用score时使用的$R^2$分数使用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[源]#

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)[源]#

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 = '$UNCHANGED$') → LassoLars[源]#

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。