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)[來源]#

使用最小角度迴歸 (Lars) 擬合的 Lasso 模型。

它是一個使用 L1 先驗作為正規化器的線性模型。

Lasso 的最佳化目標是

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

在使用者指南中閱讀更多內容。

參數:

alphafloat，預設值=1.0: 乘以懲罰項的常數。預設值為 1.0。alpha = 0等同於由LinearRegression解決的普通最小平方法。由於數值原因，不建議將alpha = 0與 LassoLars 物件一起使用，您應該選擇 LinearRegression 物件。
fit_interceptbool，預設值=True: 是否計算此模型的截距。如果設定為 false，則計算中不會使用截距（即，資料預期為居中的）。
verbosebool 或 int，預設值=False: 設定詳細程度。
precomputebool、'auto' 或類陣列，預設值='auto': 是否使用預先計算的 Gram 矩陣來加速計算。如果設定為'auto'，則讓我們決定。Gram 矩陣也可以作為參數傳遞。
max_iterint，預設值=500: 要執行的最大迭代次數。
epsfloat，預設值=np.finfo(float).eps: 在計算 Cholesky 對角線因子的過程中，機器精度的正規化。對於病態系統，請增加此值。與某些基於迭代最佳化的演算法中的tol參數不同，此參數不控制最佳化的容差。
copy_Xbool，預設值=True: 如果為 True，則會複製 X；否則，可能會被覆寫。
fit_pathbool，預設值=True: 如果True，則完整路徑會儲存在coef_path_屬性中。如果您要計算大型問題或多個目標的解，則將fit_path設定為False將會加快速度，尤其是在 alpha 較小的情況下。
positivebool，預設值=False: 將係數限制為 >= 0。請注意，您可能需要移除預設為 True 的 fit_intercept。在正數限制下，對於較小的 alpha 值，模型係數不會收斂到普通的最小平方法解。只有逐步 Lars-Lasso 演算法所達到的最小 alpha 值 (alphas_[alphas_ > 0.].min()當 fit_path=True 時) 的係數通常與座標下降 Lasso 估計器的解一致。
jitterfloat，預設值=None: 要添加到y值的均勻雜訊參數上限，以滿足模型一次一個計算的假設。可能有助於穩定性。

在 0.23 版中新增。
random_stateint、RandomState 實例或 None，預設值=None: 決定雜訊的隨機數產生。傳遞一個 int 以便在多個函數呼叫中產生可重現的輸出。請參閱詞彙表。如果jitter為 None，則忽略。

在 0.23 版中新增。

屬性:

alphas_形狀為 (n_alphas + 1,) 或這類陣列的陣列式列表: 每次迭代的最大共變異數 (絕對值)。n_alphas是max_iter、n_features，或路徑中具有alpha >= alpha_min的節點數，以較小者為準。如果這是一個類陣列的列表，則外部列表的長度為n_targets。
active_長度為 n_alphas 的列表或這類列表的列表: 路徑末尾的活動變數索引。如果這是列表的列表，則外部列表的長度為n_targets。
coef_path_形狀為 (n_features, n_alphas + 1) 的陣列式或這類陣列的列表: 如果傳遞列表，則預期為 n_targets 個這類陣列之一。沿路徑的係數變化值。如果fit_path參數為False，則不會存在。如果這是一個類陣列的列表，則外部列表的長度為n_targets。
coef_形狀為 (n_features,) 或 (n_targets, n_features) 的陣列式: 參數向量（公式中的 w）。
intercept_float 或形狀為 (n_targets,) 的陣列式: 決策函數中的獨立項。
n_iter_陣列式或 int: lars_path 尋找每個目標的 alpha 格點所花費的迭代次數。
n_features_in_int: 在擬合期間看到的特徵數量。

在 0.24 版中新增。
feature_names_in_形狀為 (n_features_in_,) 的 ndarray: 在擬合期間看到的特徵名稱。僅當X具有的特徵名稱都是字串時，才會定義。

在 1.0 版中新增。

另請參閱

lars_path: 使用 LARS 演算法計算最小角度迴歸或 Lasso 路徑。
lasso_path: 使用座標下降計算 Lasso 路徑。
Lasso: 使用 L1 先驗作為正規化器（又名 Lasso）訓練的線性模型。
LassoCV: Lasso 線性模型，沿著正規化路徑進行迭代擬合。
LassoLarsCV: 交叉驗證的 Lasso，使用 LARS 演算法。
LassoLarsIC: Lasso 模型擬合使用Lars演算法，並以 BIC 或 AIC 進行模型選擇。
sklearn.decomposition.sparse_encode: 稀疏編碼。

範例

>>> 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)[原始碼]#

使用 X, y 作為訓練數據來擬合模型。

參數:

Xarray-like，形狀為 (n_samples, n_features): 訓練數據。
yarray-like，形狀為 (n_samples,) 或 (n_samples, n_targets): 目標值。
Xyarray-like，形狀為 (n_features,) 或 (n_features, n_targets)，預設為 None: Xy = np.dot(X.T, y) 可以預先計算。僅當格拉姆矩陣預先計算時才有用。

回傳值:

self物件: 回傳 self 的實例。

get_metadata_routing()[原始碼]#

取得此物件的中繼資料路由。

請查閱使用者指南，了解路由機制如何運作。

回傳值:

routingMetadataRequest: 一個封裝路由資訊的 MetadataRequest。

get_params(deep=True)[原始碼]#

取得此估計器的參數。

參數:

deepbool，預設為 True: 如果為 True，將回傳此估計器和包含的子物件（為估計器）的參數。

回傳值:

paramsdict: 參數名稱對應到它們的值。

predict(X)[原始碼]#

使用線性模型進行預測。

參數:

Xarray-like 或稀疏矩陣，形狀為 (n_samples, n_features): 樣本。

回傳值:

Carray，形狀為 (n_samples,): 回傳預測值。

score(X, y, sample_weight=None)[原始碼]#

回傳預測的決定係數。

決定係數 $R^2$ 定義為 $(1 - \frac{u}{v})$，其中 $u$ 是殘差平方和 ((y_true - y_pred)** 2).sum()，而 $v$ 是總平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳可能分數為 1.0，而且可以是負數（因為模型可能任意差）。一個總是預測 y 期望值的常數模型，而不考慮輸入特徵，會得到一個 $R^2$ 分數為 0.0。

參數:

Xarray-like，形狀為 (n_samples, n_features): 測試樣本。對於某些估計器，這可能是預先計算的核矩陣，或是一個通用物件列表，其形狀為 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是估計器擬合時使用的樣本數。
yarray-like，形狀為 (n_samples,) 或 (n_samples, n_outputs): X 的真實值。
sample_weightarray-like，形狀為 (n_samples,)，預設為 None: 樣本權重。

回傳值:

scorefloat: $R^2$，self.predict(X) 相對於 y 的值。

註解

當在回歸器上呼叫 score 時使用的 $R^2$ 分數，從 0.23 版本開始使用 multioutput='uniform_average'，以保持與 r2_score 的預設值一致。這會影響所有多輸出回歸器的 score 方法（除了 MultiOutputRegressor 之外）。

set_fit_request(*, Xy: bool | None | str = '$UNCHANGED$') → LassoLars[原始碼]#

請求傳遞到 fit 方法的中繼資料。

請注意，只有在 enable_metadata_routing=True 時，此方法才相關（請參閱 sklearn.set_config）。請參閱使用者指南，了解路由機制如何運作。

每個參數的選項為

True：請求中繼資料，並在提供時傳遞給 fit。如果未提供中繼資料，則忽略請求。
False：不請求中繼資料，且中繼估計器不會將其傳遞給 fit。
None：不請求中繼資料，且如果使用者提供，則中繼估計器會引發錯誤。
str：中繼資料應以給定的別名而非原始名稱傳遞給中繼估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 保留現有的請求。這允許您變更某些參數的請求，而其他參數則不變。

在 1.3 版本中新增。

註解

僅當此估計器用作中繼估計器的子估計器時，此方法才相關，例如在 Pipeline 中使用。否則它沒有效果。

參數:

Xystr、True、False 或 None，預設為 sklearn.utils.metadata_routing.UNCHANGED: fit 中的 Xy 參數的中繼資料路由。

回傳值:

self物件: 更新後的物件。

set_params(**params)[原始碼]#

設定此估計器的參數。

此方法適用於簡單的估計器以及巢狀物件（例如 Pipeline）。後者的參數形式為 <component>__<parameter>，因此可以更新巢狀物件的每個組件。

參數:

**paramsdict: 估計器參數。

回傳值:

self估計器實例: 估計器實例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → LassoLars[原始碼]#

請求傳遞到 score 方法的中繼資料。

請注意，只有在 enable_metadata_routing=True 時，此方法才相關（請參閱 sklearn.set_config）。請參閱使用者指南，了解路由機制如何運作。

每個參數的選項為

True：請求中繼資料，並在提供時傳遞給 score。如果未提供中繼資料，則忽略請求。
False：不請求中繼資料，且中繼估計器不會將其傳遞給 score。
None：不請求中繼資料，且如果使用者提供，則中繼估計器會引發錯誤。
str：中繼資料應以給定的別名而非原始名稱傳遞給中繼估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 保留現有的請求。這允許您變更某些參數的請求，而其他參數則不變。

在 1.3 版本中新增。

註解

僅當此估計器用作中繼估計器的子估計器時，此方法才相關，例如在 Pipeline 中使用。否則它沒有效果。

參數:

sample_weightstr、True、False 或 None，預設為 sklearn.utils.metadata_routing.UNCHANGED: score 中的 sample_weight 參數的中繼資料路由。

回傳值:

self物件: 更新後的物件。