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)[原始碼]#
使用 LARS 演算法計算最小角度迴歸或 Lasso 路徑。
當 method='lasso' 時，最佳化目標為
(1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1
當 method='lar' 時，目標函式僅以隱式方程式的形式得知（請參閱 [1] 中的討論）。
在使用者指南中閱讀更多內容。
- 參數:
- XNone 或形狀為 (n_samples, n_features) 的 ndarray
輸入資料。如果 X 為
None，則 Gram 也必須為None。如果僅有 Gram 矩陣可用，請改用lars_path_gram。- yNone 或形狀為 (n_samples,) 的 ndarray
輸入目標。
- Xy形狀為 (n_features,) 的類陣列，預設為 None
Xy = X.T @ y，可以預先計算。僅當預先計算 Gram 矩陣時才有用。- GramNone、'auto'、bool、形狀為 (n_features, n_features) 的 ndarray，預設為 None
預先計算的 Gram 矩陣
X.T @ X，如果為'auto'，則當樣本數多於特徵數時，會從給定的 X 預先計算 Gram 矩陣。- max_iterint，預設為 500
要執行的最大疊代次數，設定為無限大則沒有限制。
- alpha_minfloat，預設為 0
沿路徑的最小相關性。它對應於 Lasso 中的正規化參數
alpha。- method{'lar'、'lasso'}，預設為 'lar'
指定傳回的模型。選擇
'lar'以用於最小角度迴歸，選擇'lasso'以用於 Lasso。- copy_Xbool，預設為 True
如果為
False，則X會被覆寫。- epsfloat，預設為 np.finfo(float).eps
Cholesky 對角線因數計算中的機器精確度正規化。對於病態系統，請增加此值。與某些基於疊代的最佳化演算法中的
tol參數不同，此參數不會控制最佳化的容差。- copy_Grambool，預設為 True
如果為
False，則Gram會被覆寫。- verboseint，預設為 0
控制輸出詳細程度。
- return_pathbool，預設為 True
如果為
True，則傳回整個路徑，否則僅傳回路徑的最後一個點。- return_n_iterbool，預設為 False
是否傳回疊代次數。
- positivebool，預設為 False
限制係數必須 >= 0。此選項僅允許使用方法 'lasso'。請注意，對於小的 alpha 值，模型係數不會收斂到普通最小平方解。只有逐步 Lars-Lasso 演算法達到的最小 alpha 值（當 fit_path=True 時，
alphas_[alphas_ > 0.].min()）之前的係數通常與座標下降lasso_path函式的解一致。
- 傳回:
- alphas形狀為 (n_alphas + 1,) 的 ndarray
每次疊代時的共變異數最大值（絕對值）。
n_alphas要嘛是max_iter、n_features，要嘛是路徑中alpha >= alpha_min的節點數，以較小者為準。- active形狀為 (n_alphas,) 的 ndarray
路徑結尾處的活動變數的索引。
- coefs形狀為 (n_features, n_alphas + 1) 的 ndarray
沿路徑的係數。
- n_iterint
執行的疊代次數。僅當
return_n_iter設定為 True 時才會傳回。
另請參閱
lars_path_gram在充分統計模式下計算 LARS 路徑。
lasso_path使用座標下降計算 Lasso 路徑。
LassoLars使用最小角度迴歸 (又稱 Lars) 擬合的 Lasso 模型。
Lars最小角度迴歸模型 (又稱 LAR)。
LassoLarsCV交叉驗證的 Lasso，使用 LARS 演算法。
LarsCV交叉驗證的最小角度迴歸模型。
sklearn.decomposition.sparse_encode稀疏編碼。
參考文獻
範例
>>> 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...]])
