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)#

交叉验证的最小角回归模型。

请参阅术语表中的 cross-validation estimator 条目。

在 User Guide 中阅读更多内容。

Parameters:

fit_interceptbool, default=True

是否计算此模型的截距。如果设置为 false，则在计算中不使用截距（即数据应为中心化的）。

verbosebool 或 int, default=False

设置详细程度。

max_iterint, default=500

执行的最大迭代次数。

precomputebool, ‘auto’ 或 array-like , default=’auto’

是否使用预计算的 Gram 矩阵来加速计算。如果设置为 'auto' 让我们决定。 Gram 矩阵不能作为参数传递，因为我们将仅使用 X 的子集。

cvint, 交叉验证生成器或可迭代对象, default=None

确定交叉验证的分割策略。 cv 的可能输入是：

None，使用默认的 5 折交叉验证，
整数，指定折数。
CV splitter ，
一个生成 (train, test) 分割的可迭代对象，分割为索引数组。

对于整数/None 输入，使用 KFold 。

请参阅 User Guide 了解此处可用的各种交叉验证策略。

Changed in version 0.22: cv 的默认值如果为 None 从 3 折更改为 5 折。

max_n_alphasint, default=1000

用于计算交叉验证中残差路径的最大点数。

n_jobsint 或 None, default=None

交叉验证期间使用的 CPU 数量。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关更多详细信息，请参阅 Glossary 。

epsfloat, default=np.finfo(float).eps

计算 Cholesky 对角因子时的机器精度正则化。对于条件非常差的系统，请增加此值。与某些基于迭代优化算法的 tol 参数不同，此参数不控制优化的容差。

copy_Xbool, default=True

如果为 True ，则 X 将被复制；否则，可能会被覆盖。

Attributes:

active_长度为 n_alphas 的列表或此类列表的列表: 路径末端的活动变量索引。如果这是一个列表的列表，则外部列表的长度为 n_targets 。
coef_形状为 (n_features,) 的类数组: 参数向量（公式中的 w）
intercept_float: 决策函数中的独立项
coef_path_形状为 (n_features, n_alphas) 的类数组: 路径上系数的变化值
alpha_float: 估计的正则化参数 alpha
alphas_形状为 (n_alphas,) 的类数组: 路径上不同的 alpha 值
cv_alphas_形状为 (n_cv_alphas,) 的类数组: 路径上不同折叠的所有 alpha 值
mse_path_形状为 (n_folds, n_cv_alphas) 的类数组: 路径上每个折叠的剩余均方误差（由 cv_alphas 给出的 alpha 值）
n_iter_类数组或整数: Lars 以最优 alpha 运行的迭代次数。
n_features_in_int: 在 fit 期间看到的特征数量。

Added in version 0.24.
feature_names_in_形状为 ( n_features_in_ ,) 的 ndarray: 在 fit 期间看到的特征名称。仅当 X 具有全为字符串的特征名称时定义。

Added in version 1.0.

See also

lars_path: 使用 LARS 算法计算最小角回归或 Lasso 路径。
lasso_path: 使用坐标下降计算 Lasso 路径。
Lasso: 使用 L1 先验作为正则化器（又名 Lasso）训练的线性模型。
LassoCV: 沿正则化路径进行迭代拟合的 Lasso 线性模型。
LassoLars: 使用最小角回归（又名 Lars）拟合的 Lasso 模型。
LassoLarsIC: 使用 BIC 或 AIC 进行模型选择的 Lars 拟合 Lasso 模型。
sklearn.decomposition.sparse_encode: 稀疏编码。

Notes

在 fit 中，一旦通过交叉验证找到最佳参数 alpha ，模型将使用整个训练集再次拟合。

Examples

>>> 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_
0.2961...
>>> reg.predict(X[:1,])
array([154.3996...])

fit(X, y, **params)#

拟合模型使用 X, y 作为训练数据。

Parameters:

X形状为 (n_samples, n_features) 的类数组: 训练数据。
y形状为 (n_samples,) 的类数组: 目标值。
**params字典, 默认为 None: 要传递给 CV 分割器的参数。

Added in version 1.4: 仅在 enable_metadata_routing=True 时可用，可以通过使用 sklearn.set_config(enable_metadata_routing=True) 设置。更多详情请参见 Metadata Routing 用户指南。

Returns:

self对象: 返回 self 的一个实例。

get_metadata_routing()#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

Added in version 1.4.

Returns:

routingMetadataRouter: 一个封装了路由信息的 MetadataRouter 。

get_params(deep=True)#

获取此估计器的参数。

Parameters:

deepbool, 默认=True: 如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:

paramsdict: 参数名称映射到它们的值。

predict(X)#

使用线性模型进行预测。

Parameters:

Xarray-like 或 sparse matrix, shape (n_samples, n_features): 样本。

Returns:

Carray, shape (n_samples,): 返回预测值。

score(X, y, sample_weight=None)#

返回预测的决定系数。

决定系数 $R^2$ 定义为 $(1 - rac{u}{v})$ ，其中 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum() ，而 $v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum() 。最好的可能得分是 1.0，它可能是负的（因为模型可能任意地差）。一个总是预测 y 的期望值的常数模型，忽略输入特征，将得到 $R^2$ 得分为 0.0。

Parameters:

Xarray-like of shape (n_samples, n_features): 测试样本。对于某些估计器，这可能是一个预计算的核矩阵或一个形状为 (n_samples, n_samples_fitted) 的通用对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数量。
yarray-like of shape (n_samples,) or (n_samples, n_outputs): X 的真实值。
sample_weightarray-like of shape (n_samples,), default=None: 样本权重。

Returns:

scorefloat: $R^2$ 相对于 y 的 self.predict(X) 。

Notes

在调用回归器的 score 时使用的 $R^2$ 得分从 0.23 版本开始使用 multioutput='uniform_average' 以保持与 r2_score 默认值一致。这影响了所有多输出回归器的 score 方法（除了 MultiOutputRegressor ）。

set_fit_request(*, Xy: bool | None | str = '$UNCHANGED$') → LarsCV#

Request metadata passed to the fit method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

True : metadata is requested, and passed to fit if provided. The request is ignored if metadata is not provided.
False : metadata is not requested and the meta-estimator will not pass it to fit .
None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.
str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:

Xystr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: Metadata routing for Xy parameter in fit .

Returns:

selfobject: The updated object.

set_params(**params)#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:

**paramsdict: 估计器参数。

Returns:

selfestimator instance: 估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → LarsCV#

Request metadata passed to the score method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

True : metadata is requested, and passed to score if provided. The request is ignored if metadata is not provided.
False : metadata is not requested and the meta-estimator will not pass it to score .
None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.
str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: Metadata routing for sample_weight parameter in score .

Returns:

selfobject: The updated object.