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)[源代码]#

交叉验证的最小角回归模型。

请参阅术语表条目 cross-validation estimator .

阅读更多的 User Guide .

参数:

fit_intercept布尔，默认=True

是否计算此模型的拦截。如果设置为假，则计算中不会使用任何拦截（即数据预计居中）。

verbosebool或int，默认=False

设置详细金额。

max_iterint，默认=500

要执行的最大迭代次数。

precomputebool，'auto' or array-like，default='auto'

是否使用预先计算的Gram矩阵来加速计算。如果设置为 'auto' 让我们决定。Gram矩阵不能作为参数传递，因为我们将仅使用X的子集。

cvint，交叉验证生成器或可迭代对象，默认=无

确定交叉验证拆分策略。简历的可能输入包括：

无，若要使用默认的5重交叉验证，
integer，用于指定折叠次数。
CV splitter ,
可迭代产出（训练、测试）分裂为索引数组。

对于integer/Non-输入， KFold 采用了

指 User Guide 这里可以使用的各种交叉验证策略。

在 0.22 版本发生变更: cv 如果无从3倍更改为5倍，则默认值。

max_n_alphasint，默认=1000

交叉验证中用于计算剩余的路径上的最大点数。

n_jobsint或无，默认=无

交叉验证期间使用的处理器数量。 None 意思是1，除非在a中 joblib.parallel_backend 上下文 -1 意味着使用所有处理器。看到 Glossary 了解更多详细信息。

epsfloat，default=np.finfo（float）.eps

Cholesky对角线因子计算中的机器精度正规化。对于条件非常恶劣的系统，请增加这一比例。不像 tol 在某些基于迭代优化的算法中，该参数不控制优化的容差。

copy_X布尔，默认=True

如果 True ，X将被复制;否则，可能会被覆盖。

属性:

active_长度n_alphas的列表或此类列表的列表: 路径末尾活动变量的索引。如果这是列表列表，则外部列表长度为 n_targets .
coef_形状类似阵列（n_features，）: 参数载体（公式中的w）
intercept_浮子: 决策函数中的独立项
coef_path_形状类似阵列（n_features，n_alphas）: 沿着路径系数的变化值
alpha_浮子: 估计的正规化参数Alpha
alphas_形状类似阵列（n_alphas，）: 沿着路径的不同阿尔法值
cv_alphas_形状类似阵列（n_cv_alphas，）: 不同折痕沿路径的所有Alpha值
mse_path_形状类似阵列（n_folds，n_cv_alphas）: the mean square error on left-out for each fold along the path (alpha values given by cv_alphas)
n_iter_array-like或int: Lars以最优alpha运行的迭代次数。
n_features_in_int: 期间看到的功能数量 fit .

Added in version 0.24.
feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（: Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

lars_path: 使用LARS算法计算最小角度回归或Lasso路径。
lasso_path: 使用坐标下降计算Lasso路径。
Lasso: 线性模型之前使用L1作为正规化器（又名Lasso）进行训练。
LassoCV: Lasso线性模型，沿着规则化路径迭代匹配。
LassoLars: Lasso模型与最小角度回归（又名最小角度回归）进行匹配拉斯。
LassoLarsIC: Lasso模型与Lars匹配，使用BIC或AIC进行模型选择。
sklearn.decomposition.sparse_encode: 稀疏编码。

注意到

在 fit ，曾经是最好的参数 alpha 通过交叉验证找到，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)[源代码]#

使用X，y作为训练数据来匹配模型。

参数:

X形状类似阵列（n_samples，n_features）: 训练数据。
y形状类似阵列（n_samples，）: 目标值。
**paramsdict，默认=无: 要传递给CV拆分器的参数。

Added in version 1.4: 仅在以下情况下可用 enable_metadata_routing=True ，可以使用 sklearn.set_config(enable_metadata_routing=True) .看到 Metadata Routing User Guide 了解更多详细信息。

返回:

self对象: 返回自我的实例。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

Added in version 1.4.

返回:

routingMetadataRouter: A MetadataRouter 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔，默认=True: 如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到其值。

predict(X)[源代码]#

Predict using the linear model.

参数:

X类阵列或稀疏矩阵，形状（n_samples，n_features）: 样品

返回:

C数组，形状（n_samples，）: 返回预测值。

score(X, y, sample_weight=None)[源代码]#

返回预测的决定系数。

决定系数 $R^2$ 被定义为 $(1 - \frac{u}{v})$ ，在哪里 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum() 和 $v$ 是平方总和 ((y_true - y_true.mean()) ** 2).sum() .最好的可能分数是1.0，并且可以是负的（因为模型可以任意更差）。始终预测的期望值的恒定模型 y 如果不考虑输入功能，就会得到 $R^2$ 评分0.0。

参数:

X形状类似阵列（n_samples，n_features）: Test samples. For some estimators this may be a precomputed kernel matrix or a list of generic objects instead with shape (n_samples, n_samples_fitted), where n_samples_fitted is the number of samples used in the fitting for the estimator.
y形状的类似阵列（n_samples，）或（n_samples，n_outputs）: 真正的价值观 X .
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。

返回:

score浮子: $R^2$ 的 self.predict(X) w.r.t. y .

注意到

的 $R^2$ 呼叫时使用的分数 score 在回归器上使用 multioutput='uniform_average' 从0.23版本开始，与默认值保持一致 r2_score .这影响了 score 所有多输出回归器的方法（除了 MultiOutputRegressor ).

set_fit_request(*, Xy: bool | None | str = '$UNCHANGED$') → LarsCV[源代码]#

请求元数据传递给 fit 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 fit 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 fit .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

Xy字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 Xy 参数 fit .

返回:

self对象: 更新的对象。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → LarsCV[源代码]#

请求元数据传递给 score 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 score 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 score .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 sample_weight 参数 score .

返回:

self对象: 更新的对象。