LarsCV#

class sklearn.linear_model.LarsCV(*, fit_intercept=True, verbose=False, max_iter=500, precompute='auto', cv=None, max_n_alphas=1000, n_jobs=None, eps=np.float64(2.220446049250313e-16), copy_X=True)[原始碼]#

交叉驗證的最小角度迴歸模型。

請參閱交叉驗證估算器的詞彙表條目。

請在使用者指南中閱讀更多內容。

參數:

fit_interceptbool，預設值為 True

是否計算此模型的截距。如果設定為 False，則計算時不會使用截距（即預期資料會置中）。

verbosebool 或 int，預設值為 False

設定詳細程度。

max_iterint，預設值為 500

要執行的最大迭代次數。

precomputebool、'auto' 或 array-like，預設值為 '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。由於我們只會使用 X 的子集，因此格拉姆矩陣不能當作參數傳遞。

cvint、交叉驗證產生器或可迭代物件，預設值為 None

決定交叉驗證分割策略。cv 的可能輸入為

None，使用預設的 5 折交叉驗證，
整數，指定摺疊數。
CV 分割器,
可迭代物件，產生 (train, test) 分割，作為索引陣列。

對於整數/None 輸入，會使用 KFold。

請參閱使用者指南，了解此處可使用的各種交叉驗證策略。

在 0.22 版本中變更: 如果 cv 為 None，則預設值從 3 折變更為 5 折。

max_n_alphasint，預設值為 1000

路徑上用於計算交叉驗證中殘差的最大點數。

n_jobsint 或 None，預設值為 None

交叉驗證期間要使用的 CPU 數量。除非在 joblib.parallel_backend 內容中，否則 None 表示 1。-1 表示使用所有處理器。請參閱詞彙表以取得更多詳細資訊。

epsfloat，預設值為 np.finfo(float).eps

在計算 Cholesky 對角因素時的機器精確度正規化。對於條件非常差的系統，請增加此值。與某些基於迭代最佳化演算法中的 tol 參數不同，此參數不會控制最佳化的容差。

copy_Xbool，預設值為 True

如果為 True，則會複製 X；否則可能會覆寫。

屬性:

active_長度為 n_alphas 的列表，或此類列表的列表: 路徑結束時的活動變數的索引。如果這是列表的列表，則外部列表的長度為 n_targets。
coef_形狀為 (n_features,) 的類陣列: 參數向量（公式中的 w）
intercept_float: 決策函數中的獨立項
coef_path_形狀為 (n_features, n_alphas) 的類陣列: 沿路徑的係數變化值
alpha_float: 估算的正規化參數 alpha
alphas_形狀為 (n_alphas,) 的類陣列: 沿路徑的 alpha 不同值
cv_alphas_形狀為 (n_cv_alphas,) 的類陣列: 不同摺疊的路徑上 alpha 的所有值
mse_path_形狀為 (n_folds, n_cv_alphas) 的類陣列: 沿路徑 (由 cv_alphas 給定的 alpha 值) 每個摺疊的遺漏平均平方誤差
n_iter_類陣列或 int: Lars 使用最佳 alpha 執行的迭代次數。
n_features_in_int: 在 fit 期間看到的特徵數量。

在 0.24 版本中新增。
feature_names_in_形狀為 (n_features_in_,) 的 ndarray: 在 fit 期間看到的特徵名稱。僅在 X 具有全部為字串的特徵名稱時定義。

在 1.0 版本中新增。

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: 使用座標下降法計算 Lasso 路徑。
Lasso: 以 L1 先驗作為正規化器訓練的線性模型 (又稱 Lasso)。
LassoCV: Lasso 線性模型，沿著正規化路徑進行迭代擬合。
LassoLars: Lasso 模型，使用最小角度迴歸 (又稱 Lars) 擬合。
LassoLarsIC: Lasso 模型，使用 Lars 擬合，並使用 BIC 或 AIC 進行模型選擇。
sklearn.decomposition.sparse_encode: 稀疏編碼。

注意事項

在 fit 中，一旦透過交叉驗證找到最佳參數 alpha，則會使用整個訓練集再次擬合模型。

範例

>>> from sklearn.linear_model import LarsCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_samples=200, noise=4.0, random_state=0)
>>> reg = LarsCV(cv=5).fit(X, y)
>>> reg.score(X, y)
0.9996...
>>> reg.alpha_
np.float64(0.2961...)
>>> reg.predict(X[:1,])
array([154.3996...])

fit(X, y, **params)[原始碼]#

使用 X、y 作為訓練資料擬合模型。

參數:

X形狀為 (n_samples, n_features) 的類陣列 (array-like): 訓練資料。
y形狀為 (n_samples,) 的類陣列 (array-like): 目標值。
**params字典 (dict)，預設值為 None: 要傳遞給 CV 分割器的參數。

1.4 版本新增：僅在 enable_metadata_routing=True 時可用，可透過使用 sklearn.set_config(enable_metadata_routing=True) 設定。請參閱中繼資料路由使用者指南以取得更多詳細資訊。

回傳值:

self物件 (object): 回傳自身的實例。

get_metadata_routing()[原始碼]#

取得此物件的中繼資料路由。

請查看使用者指南以了解路由機制如何運作。

1.4 版本新增。

回傳值:

routingMetadataRouter: 一個 MetadataRouter，封裝了路由資訊。

get_params(deep=True)[原始碼]#

取得此估計器的參數。

參數:

deep布林值 (bool)，預設值為 True: 若為 True，則會回傳此估計器以及包含的子物件（為估計器）的參數。

回傳值:

params字典 (dict): 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 (array-like) 或稀疏矩陣 (sparse matrix)，形狀為 (n_samples, n_features): 樣本。

回傳值:

C陣列 (array)，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()。最佳可能的分數為 1.0，且可以是負數（因為模型可能任意地差）。一個總是預測 y 的期望值，而忽略輸入特徵的常數模型，將會得到一個 $R^2$ 分數為 0.0。

參數:

X形狀為 (n_samples, n_features) 的類陣列 (array-like): 測試樣本。對於某些估計器，這可能是一個預先計算的核矩陣或具有形狀 (n_samples, n_samples_fitted) 的通用物件列表，其中 n_samples_fitted 是估計器擬合時使用的樣本數。
y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列 (array-like): X 的真實值。
sample_weight形狀為 (n_samples,) 的類陣列 (array-like)，預設值為 None: 樣本權重。

回傳值:

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

注意事項

在回歸器上呼叫 score 時所使用的 $R^2$ 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（除了 MultiOutputRegressor 之外）。

set_fit_request(*, Xy: bool | None | str = '$UNCHANGED$') → LarsCV[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）。請參閱使用者指南以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，則忽略此請求。
False：不請求中繼資料，且元估計器不會將其傳遞給 fit。
None：不請求中繼資料，且如果使用者提供中繼資料，元估計器將會引發錯誤。
str：中繼資料應使用此指定的別名傳遞給元估計器，而不是原始名稱。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這讓您可以變更某些參數的請求，而不變更其他參數的請求。

1.3 版本新增。

請注意

只有當此估計器被用作元估計器的子估計器時（例如在 Pipeline 內部使用），此方法才相關。否則，此方法沒有任何效果。

參數:

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

回傳值:

self物件 (object): 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）。後者具有 <元件>__<參數> 形式的參數，因此可以更新巢狀物件的每個元件。

參數:

**params字典 (dict): 估計器參數。

回傳值:

self估計器實例 (estimator instance): 估計器實例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → LarsCV[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）。請參閱使用者指南以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，則忽略此請求。
False：不要求元數據，並且元估計器不會將其傳遞給 score。
None：不請求中繼資料，且如果使用者提供中繼資料，元估計器將會引發錯誤。
str：中繼資料應使用此指定的別名傳遞給元估計器，而不是原始名稱。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這讓您可以變更某些參數的請求，而不變更其他參數的請求。

1.3 版本新增。

請注意

只有當此估計器被用作元估計器的子估計器時（例如在 Pipeline 內部使用），此方法才相關。否則，此方法沒有任何效果。

參數:

sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED: score 中 sample_weight 參數的元數據路由。

回傳值:

self物件 (object): 更新後的物件。