LassoLarsCV#

class sklearn.linear_model.LassoLarsCV(*, 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, positive=False)[原始碼]#

使用 LARS 演算法的交叉驗證 Lasso。

請參閱交叉驗證估計器的詞彙表條目。

Lasso 的最佳化目標為

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

請在使用者指南中閱讀更多資訊。

參數:
fit_interceptbool，預設值為 True

是否要計算此模型的截距。若設為 False，則計算時將不會使用截距（即，預期資料已置中）。

verbosebool 或 int，預設值為 False

設定詳細程度。

max_iterint，預設值為 500

要執行的最大疊代次數。

precomputebool 或 ‘auto’，預設值為 ‘auto’

是否使用預先計算的 Gram 矩陣來加速計算。如果設為 'auto'，則由我們決定。Gram 矩陣不能作為引數傳遞，因為我們只會使用 X 的子集。

cvint、交叉驗證產生器或可迭代物件，預設值為 None

決定交叉驗證的分割策略。cv 的可能輸入為

  • None，使用預設的 5 折交叉驗證。

  • integer，指定摺疊數。

  • CV 分割器,

  • 一個可迭代物件，會產生 (訓練, 測試) 分割，以索引陣列表示。

對於 integer/None 輸入，會使用 KFold。

請參閱使用者指南，瞭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 的預設值為 None，則從 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

在交叉驗證期間要使用的 CPU 數量。None 表示 1，除非在 joblib.parallel_backend 環境中。-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 對角因子時的機器精確度正規化。對於病態系統，請增加此值。與某些基於疊代最佳化的演算法中的 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，可能會被覆寫。

positivebool，預設值為 False

限制係數必須 >= 0。請注意，您可能需要移除預設設定為 True 的 fit_intercept。在正限制下，對於較小的 alpha 值，模型係數不會收斂到普通最小平方解。只有逐步 Lars-Lasso 演算法所達到的最小 alpha 值（當 fit_path=True 時，alphas_[alphas_ > 0.].min()）之前的係數，通常與座標下降 Lasso 估計器的解一致。因此，只有在預期會產生稀疏解和/或達到稀疏解的問題中，使用 LassoLarsCV 才有意義。

屬性:
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

沿路徑的係數變動值

alpha_float

估計的正規化參數 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

沿著不同摺疊路徑的 alpha 所有值

mse_path_形狀為 (n_folds, n_cv_alphas) 的類陣列

沿著路徑（由 cv_alphas 給定的 alpha 值）每個摺疊的遺漏均方誤差

n_iter_類陣列或 int

Lars 使用最佳 alpha 執行的疊代次數。

active_int 的列表

路徑結尾的活動變數的索引。

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。僅當 X 具有全部為字串的特徵名稱時才定義。

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

使用 L1 先驗作為正規化器訓練的線性模型（又稱為 Lasso）。

LassoCV

沿著正規化路徑進行疊代擬合的 Lasso 線性模型。

LassoLars

使用最小角度回歸 (Least Angle Regression, Lars) 擬合 Lasso 模型。

LassoLarsIC

使用 Lars 擬合 Lasso 模型，並以 BIC 或 AIC 進行模型選擇。

sklearn.decomposition.sparse_encode

稀疏編碼。

注意事項

此物件解決的問題與 LassoCV 物件相同。然而，與 LassoCV 不同的是，它會自行尋找相關的 alpha 值。一般而言，由於此特性，它會更穩定。但是，它對於高度多重共線性的資料集會更為脆弱。

若與總數相比，僅選擇少量特徵時，它會比 LassoCV 更有效率，例如當樣本數相較於特徵數非常少時。

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

範例

>>> from sklearn.linear_model import LassoLarsCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4.0, random_state=0)
>>> reg = LassoLarsCV(cv=5).fit(X, y)
>>> reg.score(X, y)
0.9993...
>>> reg.alpha_
np.float64(0.3972...)
>>> reg.predict(X[:1,])
array([-78.4831...])
fit(X, y, **params)[原始碼]#

使用 X、y 作為訓練資料擬合模型。

參數:
X類陣列，形狀為 (n_samples, n_features)

訓練資料。

y類陣列，形狀為 (n_samples,)

目標值。

**params字典，預設值=None

要傳遞給 CV 分割器的參數。

1.4 版本新增: 僅當 enable_metadata_routing=True 時可用，此設定可透過使用 sklearn.set_config(enable_metadata_routing=True) 進行設定。詳情請參閱 中繼資料路由使用者指南。

回傳值:
self物件

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 了解路由機制如何運作。

1.4 版本新增。

回傳值:
routingMetadataRouter

封裝路由資訊的 MetadataRouter。

get_params(deep=True)[原始碼]#

取得此估計器的參數。

參數:
deep布林值，預設值=True

若為 True，將回傳此估計器以及包含的子物件（亦為估計器）的參數。

回傳值:
params字典

參數名稱對應到其值的映射。

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。

回傳值:
C陣列，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 \(u\) 為殘差平方和 ((y_true - y_pred)** 2).sum()，而 \(v\) 為總平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳分數為 1.0，且可以是負數（因為模型可能任意糟糕）。一個總是預測 y 的期望值的常數模型，不考慮輸入特徵，其 \(R^2\) 分數將為 0.0。

參數:
X類陣列，形狀為 (n_samples, n_features)

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形狀為 (n_samples, n_samples_fitted) 的通用物件列表，其中 n_samples_fitted 是估計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=None

樣本權重。

回傳值:
score浮點數

self.predict(X) 相對於 y 的 \(R^2\) 值。

注意事項

當在回歸器上呼叫 score 時使用的 \(R^2\) 分數，自 0.23 版本起使用 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 以外）。

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

請求傳遞給 fit 方法的中繼資料。

請注意，此方法僅在 enable_metadata_routing=True 時相關（請參閱 sklearn.set_config）。請參閱 使用手冊，了解路由機制如何運作。

每個參數的選項如下：

  • 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，則會忽略請求。

  • False：不請求中繼資料，並且元估計器不會將其傳遞給 fit。

  • None：不請求中繼資料，如果使用者提供，則元估計器會引發錯誤。

  • 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計器。

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

在 1.3 版本中新增。

注意

此方法僅在此估計器用作元估計器的子估計器時相關，例如在 Pipeline 中使用。否則，它沒有任何作用。

參數:
Xystr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED

用於 fit 中 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）。後者具有 <component>__<parameter> 形式的參數，因此可以更新巢狀物件的每個元件。

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 = '$UNCHANGED$') → LassoLarsCV[原始碼]#

請求傳遞給 score 方法的中繼資料。

請注意，此方法僅在 enable_metadata_routing=True 時相關（請參閱 sklearn.set_config）。請參閱 使用手冊，了解路由機制如何運作。

每個參數的選項如下：

  • 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，並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，則元估計器會引發錯誤。

  • 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計器。

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

在 1.3 版本中新增。

注意

此方法僅在此估計器用作元估計器的子估計器時相關，例如在 Pipeline 中使用。否則，它沒有任何作用。

參數:
sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED

用於 score 中 sample_weight 參數的中繼資料路由。

回傳值:
self物件

更新後的物件。