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)[源代码]#

Lasso模型与最小角度回归（又名最小角度回归）进行匹配拉斯。

它是一个线性模型，使用L1先验作为正则化器进行训练。

Lasso的优化目标是：

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

阅读更多的 User Guide .

参数:

alphafloat，默认=1.0: 乘以惩罚项的常数。预设为1.0。 alpha = 0 相当于普通的最小平方，通过以下公式求解 LinearRegression .由于数字原因，使用 alpha = 0 不建议使用LassoLars对象，您应该更喜欢LinearRegulation对象。
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。
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矩阵也可以作为参数传递。
max_iterint，默认=500: 要执行的最大迭代次数。
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: 如果为True，X将被复制;否则，可能会被覆盖。
fit_path布尔，默认=True: 如果 True 完整路径存储在 coef_path_ 属性如果您计算一个大问题或多个目标的解决方案，则设置 fit_path 到 False 将导致加速，尤其是对于小Alpha。
positive布尔，默认=假: 将系数限制为>= 0。请注意，您可能想删除默认设置为True的fit_intercept。在正约束下，对于小的阿尔法值，模型系数不会收敛到普通最小平方解。仅限最小Alpha值的系数 (``alphas_[alphas_ > 0.]。逐步Lars-Lasso算法达到的min（）'当fit_路径=True时）通常与坐标下降Lasso估计器的解一致。
jitterfloat，默认=无: 要添加到 y 值，以满足模型的一次计算假设。可能有助于稳定。

Added in version 0.23.
random_stateint，RandomState实例或无，默认=无: 确定抖动的随机数生成。传递int以获得跨多个函数调用的可重复输出。看到 Glossary .如果被忽视 jitter 没有。

Added in version 0.23.

属性:

alphas_形状（n_alphas + 1，）的类数组或此类数组的列表: 每次迭代时协方差的最大值（绝对值）。 n_alphas 要么是 max_iter , n_features 或路径中的节点数 alpha >= alpha_min ，以较小者为准。如果这是类数组列表，则外部列表的长度为 n_targets .
active_长度n_alphas的列表或此类列表的列表: 路径末尾的活动变量的索引。如果这是列表的列表，则外部列表的长度为 n_targets .
coef_path_形状（n_features，n_alphas + 1）或列表的类数组个这样的阵列: 如果传递一个列表，它应该是n_targets这样的数组中的一个。沿着路径系数的变化值。如果 fit_path 参数是 False .如果这是类数组列表，则外部列表的长度为 n_targets .
coef_形状类似阵列（n_features，）或（n_targets，n_features）: 参数载体（公式公式中的w）。
intercept_形状的浮动或类数组（n_targets，）: Independent term in decision function.
n_iter_array-like或int: lars_track为每个目标找到阿尔法网格所进行的迭代次数。
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。
LassoLarsCV: 使用LARS算法交叉验证Lasso。
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。

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，）或（n_samples，n_targets）: 目标值。
Xy形状类似阵列（n_features，）或（n_features，n_targets），默认值=无: Xy = np.dot（X.T，y），可以预先计算。只有在预先计算Gram矩阵时，它才有用。

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。

返回:

routingMetadataRequest: A MetadataRequest 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 = '$UNCHANGED$') → LassoLars[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 = '$UNCHANGED$') → LassoLars[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。