Lars#

class sklearn.linear_model.Lars(*, fit_intercept=True, verbose=False, precompute='auto', n_nonzero_coefs=500, eps=np.float64(2.220446049250313e-16), copy_X=True, fit_path=True, jitter=None, random_state=None)[來源]#

最小角度迴歸模型，又稱 LAR。

請參閱使用者指南以了解更多資訊。

參數:

fit_interceptbool，預設值=True: 是否為此模型計算截距。如果設定為 false，則在計算中不會使用截距（即，預期資料會居中）。
verbosebool 或 int，預設值=False: 設定詳細程度。
precomputebool、「auto」或類似陣列，預設值='auto': 是否使用預先計算的格拉姆矩陣來加速計算。如果設定為 'auto'，則由我們決定。格拉姆矩陣也可以作為引數傳遞。
n_nonzero_coefsint，預設值=500: 非零係數的目標數量。若無限制，請使用 np.inf。
epsfloat，預設值為 np.finfo(float).eps: 在計算 Cholesky 對角因子時使用的機器精確度正規化。對於病態嚴重的系統，請增加此值。與某些基於迭代優化的演算法中的 tol 參數不同，此參數不控制優化的容忍度。
copy_Xbool，預設值為 True: 如果為 True，則會複製 X；否則，可能會覆寫 X。
fit_pathbool，預設值為 True: 如果為 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，將 fit_path 設定為 False 會加快速度，特別是對於小的 alpha 值。
jitterfloat，預設值為 None: 要加到 y 值上的均勻雜訊參數的上限，以滿足模型一次計算一個的假設。這可能有助於穩定性。

在版本 0.23 中新增。
random_stateint、RandomState 實例或 None，預設值為 None: 決定抖動的隨機數產生。傳遞一個 int 以便在多次函數呼叫中產生可重現的輸出。請參閱詞彙表。如果 jitter 為 None，則忽略此參數。

在版本 0.23 中新增。

屬性:

alphas_形狀為 (n_alphas + 1,) 的類陣列或此類陣列的列表: 每次迭代的最大共變異數（絕對值）。n_alphas 為 max_iter、n_features 或路徑中 alpha >= alpha_min 的節點數（取最小者）。如果這是類陣列的列表，則外部列表的長度為 n_targets。
active_形狀為 (n_alphas,) 的列表或此類列表的列表: 路徑末端活動變數的索引。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) 的類陣列或此類陣列的列表: 沿路徑的係數變化值。如果 fit_path 參數為 False，則不存在此值。如果這是類陣列的列表，則外部列表的長度為 n_targets。
coef_形狀為 (n_features,) 或 (n_targets, n_features) 的類陣列: 參數向量（公式中的 w）。
intercept_float 或形狀為 (n_targets,) 的類陣列: 決策函數中的獨立項。
n_iter_類陣列或 int: lars_path 尋找每個目標的 alpha 網格所使用的迭代次數。
n_features_in_int: 在 fit 期間看到的特徵數量。

在版本 0.24 中新增。
feature_names_in_形狀為 (n_features_in_,) 的 ndarray: 在 fit 期間看到的特徵名稱。僅當 X 具有都是字串的特徵名稱時才定義。

在版本 1.0 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。
LarsCV: 交叉驗證的最小角度迴歸模型。
sklearn.decomposition.sparse_encode: 稀疏編碼。

範例

>>> from sklearn import linear_model
>>> reg = linear_model.Lars(n_nonzero_coefs=1)
>>> reg.fit([[-1, 1], [0, 0], [1, 1]], [-1.1111, 0, -1.1111])
Lars(n_nonzero_coefs=1)
>>> print(reg.coef_)
[ 0. -1.11...]

fit(X, y, Xy=None)[原始碼]#

使用 X、y 作為訓練資料來擬合模型。

參數:

X形狀為 (n_samples, n_features) 的類陣列: 訓練資料。
y形狀為 (n_samples,) 或 (n_samples, n_targets) 的類陣列: 目標值。
Xy形狀為 (n_features,) 或 (n_features, n_targets) 的類陣列，預設值為 None: 可以預先計算的 Xy = np.dot(X.T, y)。只有在預先計算 Gram 矩陣時才有用。

返回:

self物件: 返回自身的實例。

get_metadata_routing()[原始碼]#

取得此物件的中繼資料路由。

請查看使用者指南，了解路由機制如何運作。

返回:

routingMetadataRequest: 封裝路由資訊的 MetadataRequest。

get_params(deep=True)[原始碼]#

取得此估算器的參數。

參數:

deepbool，預設值為 True: 如果為 True，將傳回此估算器和包含的子物件（即估算器）的參數。

返回:

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:

X類陣列或稀疏矩陣，形狀為 (n_samples, n_features): 樣本。

返回:

C陣列，形狀為 (n_samples,): 返回預測值。

score(X, y, sample_weight=None)[原始碼]#

返回預測的決定係數。

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()。最佳可能的分數是 1.0，它可能是負數（因為模型可能非常糟糕）。一個總是預測 y 的期望值，而不考慮輸入特徵的常數模型，會得到 0.0 的 $R^2$ 分數。

參數:

X形狀為 (n_samples, n_features) 的類陣列: 測試樣本。對於某些估算器，這可能是預先計算的核矩陣或形狀為 (n_samples, n_samples_fitted) 的通用物件列表，其中 n_samples_fitted 是估算器擬合中使用的樣本數。
y類陣列，形狀為 (n_samples,) 或 (n_samples, n_outputs): X 的真實值。
sample_weight類陣列，形狀為 (n_samples,)，預設值為 None: 樣本權重。

返回:

score浮點數: self.predict(X) 相對於 y 的 $R^2$。

注意事項

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'，以與 r2_score 的預設值保持一致。這會影響所有多輸出回歸器的 score 方法（MultiOutputRegressor 除外）。

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

請求傳遞給 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）。請參閱關於路由機制如何運作的使用者指南。

每個參數的選項是

True：請求中繼資料，如果提供則傳遞給 fit。如果未提供中繼資料，則忽略該請求。
False：不請求中繼資料，並且元估算器不會將其傳遞給 fit。
None：不請求中繼資料，如果使用者提供，則元估算器會引發錯誤。
str：中繼資料應使用此給定的別名而不是原始名稱傳遞給元估算器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 保留現有的請求。這可讓您變更某些參數的請求，而不是其他參數的請求。

在 1.3 版本中新增。

注意

只有在此估算器用作元估算器的子估算器時，此方法才相關，例如在 Pipeline 內使用。否則，它沒有任何作用。

參數:

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

返回:

self物件: 更新後的物件。

set_params(**params)[原始碼]#

設定此估算器的參數。

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

參數:

**paramsdict: 估計器參數。

返回:

self估計器實例: 估計器實例。

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

請求傳遞給 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）。請參閱關於路由機制如何運作的使用者指南。

每個參數的選項是

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，則會忽略請求。
False：不請求中繼資料，且元估計器不會將其傳遞給 score。
None：不請求中繼資料，如果使用者提供，則元估算器會引發錯誤。
str：中繼資料應使用此給定的別名而不是原始名稱傳遞給元估算器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 保留現有的請求。這可讓您變更某些參數的請求，而不是其他參數的請求。

在 1.3 版本中新增。

注意

只有在此估算器用作元估算器的子估算器時，此方法才相關，例如在 Pipeline 內使用。否則，它沒有任何作用。

參數:

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

返回:

self物件: 更新後的物件。