LassoLarsIC#

class sklearn.linear_model.LassoLarsIC(criterion='aic', *, fit_intercept=True, verbose=False, precompute='auto', max_iter=500, eps=np.float64(2.220446049250313e-16), copy_X=True, positive=False, noise_variance=None)[源代码]#

Lasso模型与Lars匹配，使用BIC或AIC进行模型选择。

Lasso的优化目标是：

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

AIC是赤池信息标准 [2] 而CIC是Bayes信息标准 [3]. 这些标准对于通过在模型的适合度和复杂性之间进行权衡来选择正规化参数的值很有用。一个好的模型应该在简单的情况下很好地解释数据。

阅读更多的 User Guide .

参数:

criterion' aic '，'，默认=' aic ': 要使用的标准类型。
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。可用于提前停止。
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。
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，模型系数不会收敛到小阿尔法值的普通最小平方解。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。因此，使用LassoLarsIC仅对期望和/或达到稀疏解决方案的问题才有意义。
noise_variancefloat，默认=无: 数据的估计噪声方差。如果 None 无偏估计值由OLS模型计算。然而，只有在以下情况下才有可能： n_samples > n_features + fit_intercept .

Added in version 1.1.

属性:

coef_形状类似阵列（n_features，）: 参数载体（公式中的w）
intercept_浮子: 决策功能中的独立项。
alpha_浮子: 信息准则选择的Alpha参数
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。如果是一个列表，它会很长 n_targets .
n_iter_int: lars_track运行以找到alphas网格的迭代次数。
criterion_形状类似阵列（n_alphas，）: 所有阿尔法的信息标准（“aic”、“bic”）的价值。选择具有最小信息标准的Alpha，如中规定的 [1].
noise_variance_浮子: 用于计算标准的数据的估计噪声方差。

Added in version 1.1.
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。
LassoLarsCV: 使用LARS算法交叉验证Lasso。
sklearn.decomposition.sparse_encode: 稀疏编码。

注意到

自由度数的计算方法如下 [1].

如需了解有关AIC和BIC标准数学公式的更多详细信息，请参阅 User Guide .

引用

[1] (1,2)

Zou, Hui, Trevor Hastie, and Robert Tibshirani. "On the degrees of freedom of the lasso." The Annals of Statistics 35.5 (2007): 2173-2192.

[2]

Wikipedia entry on the Akaike information criterion <https://en.wikipedia.org/wiki/Akaike_information_criterion> _

[3]

Wikipedia entry on the Bayesian information criterion <https://en.wikipedia.org/wiki/Bayesian_information_criterion> _

示例

>>> from sklearn import linear_model
>>> reg = linear_model.LassoLarsIC(criterion='bic')
>>> X = [[-2, 2], [-1, 1], [0, 0], [1, 1], [2, 2]]
>>> y = [-2.2222, -1.1111, 0, -1.1111, -2.2222]
>>> reg.fit(X, y)
LassoLarsIC(criterion='bic')
>>> print(reg.coef_)
[ 0.  -1.11...]

fit(X, y, copy_X=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，）: 目标值。如有必要，将被转换为X的d类型。
copy_Xbool，默认值=无: 如果提供了这个参数，它将覆盖创建实例时对copy_X的选择。如果 True ，X将被复制;否则，可能会被覆盖。

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(*, copy_X: bool | None | str = '$UNCHANGED$') → LassoLarsIC[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:

copy_X字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 copy_X 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 = '$UNCHANGED$') → LassoLarsIC[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。