LARS路径图#
- sklearn.linear_model.lars_path_gram(Xy, Gram, *, n_samples, max_iter=500, alpha_min=0, method='lar', copy_X=True, eps=np.float64(2.220446049250313e-16), copy_Gram=True, verbose=0, return_path=True, return_n_iter=False, positive=False)[source]#
充分统计模式下的 lars_path。
当 method='lasso' 时，优化目标为：
(1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1
当 method='lar' 时，目标函数只能以隐式方程的形式表示（参见 [1] 中的讨论）。
更多信息请参见 用户指南。
- 参数：
- Xyndarray of shape (n_features,)
Xy = X.T @ y.- Gramndarray of shape (n_features, n_features)
Gram = X.T @ X.- n_samplesint
样本的等效大小。
- max_iterint, default=500
执行的最大迭代次数，设置为无穷大则表示无限制。
- alpha_minfloat, default=0
路径上的最小相关性。它对应于 Lasso 中的正则化参数 alpha。
- method{‘lar’, ‘lasso’}, default=’lar’
指定返回的模型。选择
'lar'表示最小角回归，'lasso'表示 Lasso。- copy_Xbool, default=True
如果
False，则会覆盖X。- epsfloat, default=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_Grambool, default=True
如果
False，则会覆盖Gram。- verboseint, default=0
控制输出详细程度。
- return_pathbool, default=True
如果
return_path==True，则返回整个路径，否则只返回路径的最后一个点。- return_n_iterbool, default=False
是否返回迭代次数。
- positivebool, default=False
将系数限制为 >= 0。此选项仅允许使用 method 'lasso'。请注意，对于较小的 alpha 值，模型系数不会收敛到普通最小二乘解。通常只有逐步 Lars-Lasso 算法达到的最小 alpha 值（当
fit_path=True时为alphas_[alphas_ > 0.].min()）之前的系数才与坐标下降 lasso_path 函数的解一致。
- 返回：
- alphasndarray of shape (n_alphas + 1,)
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。- activendarray of shape (n_alphas,)
路径结束时活动变量的索引。
- coefsndarray of shape (n_features, n_alphas + 1)
沿路径的系数。
- n_iterint
运行的迭代次数。仅当
return_n_iter设置为 True 时返回。
参见
lars_path_gram计算 LARS 路径。
lasso_path使用坐标下降法计算 Lasso 路径。
LassoLars使用最小角回归 (也称为 Lars) 拟合 Lasso 模型。
Lars最小角回归模型 (也称为 LAR)。
LassoLarsCV使用 LARS 算法的交叉验证 Lasso。
LarsCV交叉验证的最小角回归模型。
sklearn.decomposition.sparse_encode稀疏编码。
参考文献
示例
>>> from sklearn.linear_model import lars_path_gram >>> from sklearn.datasets import make_regression >>> X, y, true_coef = make_regression( ... n_samples=100, n_features=5, n_informative=2, coef=True, random_state=0 ... ) >>> true_coef array([ 0. , 0. , 0. , 97.9..., 45.7...]) >>> alphas, _, estimated_coef = lars_path_gram(X.T @ y, X.T @ X, n_samples=100) >>> alphas.shape (3,) >>> estimated_coef array([[ 0. , 0. , 0. ], [ 0. , 0. , 0. ], [ 0. , 0. , 0. ], [ 0. , 46.96..., 97.99...], [ 0. , 0. , 45.70...]])