lars_path#

sklearn.linear_model.lars_path(X, y, Xy=None, *, Gram=None, 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)[源代码]#

使用LARS算法计算最小角度回归或Lasso路径。

案例方法=' lasso '的优化目标是：：

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

在方法=' lar '的情况下，目标函数仅以隐式方程的形式已知（参见中的讨论 [1]) .

阅读更多的 User Guide .

参数:

XNone or ndarray of shape (n_samples, n_features): 输入数据。如果X是 None ，奶奶也一定是 None .如果只有克兰矩阵可用，请使用 lars_path_gram 而不是.
y无或形状的nd数组（n_samples，）: 输入目标。
Xy形状类似阵列（n_features，），默认=无: Xy = X.T @ y 这可以预先计算。只有在预先计算Gram矩阵时，它才有用。
Gram无、“自动”、布尔、形状的nd数组（n_features，n_features）、默认值=无: 预先计算的格拉姆矩阵 X.T @ X ，如果 'auto' ，如果样本多于特征，则根据给定X预先计算Gram矩阵。
max_iterint，默认=500: 要执行的最大迭代次数，设置为无限大表示没有限制。
alpha_minfloat，默认=0: 沿着路径的最小相关性。它对应于正规化参数 alpha 在套索中。
method' lar '，'，默认=' lar ': Specifies the returned model. Select 'lar' for Least Angle Regression, 'lasso' for the Lasso.
copy_X布尔，默认=True: 如果 False , X 已被覆盖。
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_Gram布尔，默认=True: 如果 False , Gram 已被覆盖。
verboseint，默认=0: 控制输出冗长。
return_path布尔，默认=True: 如果 True ，返回整个路径，否则仅返回路径的最后一点。
return_n_iter布尔，默认=假: 是否返回迭代次数。
positive布尔，默认=假: 将系数限制为>= 0。此选项仅允许使用方法“lasso”。请注意，对于较小的阿尔法值，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）通常与坐标下降的解一致 `lasso_path 功能

返回:

alphas形状的nd数组（n_alphas + 1，）: 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。
active形状的nd数组（n_alphas，）: 路径结束处活动变量的索引。
coefs形状nd数组（n_features，n_alphas + 1）: 沿着路径的系数。
n_iterint: 运行的迭代次数。只有在以下情况下才返回 return_n_iter 设置为True。

参见

lars_path_gram: 在充分统计数据模式下计算LARS路径。
lasso_path: 使用坐标下降计算Lasso路径。
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。
Lars: 最小角度回归模型，又名拉尔。
LassoLarsCV: 使用LARS算法交叉验证Lasso。
LarsCV: 交叉验证的最小角回归模型。
sklearn.decomposition.sparse_encode: 稀疏编码。

引用

[1]

“最小角度回归”，Efron等人。http://statweb.stanford.edu/~tibs/ftp/lars.pdf

[2]

Wikipedia entry on the Least-angle regression <https://en.wikipedia.org/wiki/Least-angle_regression> _

[3]

Wikipedia entry on the Lasso <https://en.wikipedia.org/wiki/Lasso_(statistics)> _

示例

>>> from sklearn.linear_model import lars_path
>>> 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(X, y)
>>> alphas.shape
(3,)
>>> estimated_coef
array([[ 0.     ,  0.     ,  0.     ],
       [ 0.     ,  0.     ,  0.     ],
       [ 0.     ,  0.     ,  0.     ],
       [ 0.     , 46.96..., 97.99...],
       [ 0.     ,  0.     , 45.70...]])