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)#

交叉验证的Lasso，使用LARS算法。

请参阅术语表条目：cross-validation estimator 。

Lasso的优化目标为:

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

更多信息请参阅 User Guide 。

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（即数据应已中心化）。

verbosebool or int, default=False

设置详细程度。

max_iterint, default=500

要执行的最大迭代次数。

precomputebool or ‘auto’ , default=’auto’

是否使用预计算的Gram矩阵以加速计算。如果设置为 'auto' ，则由我们决定。Gram矩阵不能作为参数传递，因为我们只会使用X的子集。

cvint, cross-validation generator or an iterable, default=None

确定交叉验证分割策略。 cv的可能输入包括：

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

对于整数/None输入，使用 KFold 。

请参阅 User Guide 以了解可以在此处使用的各种交叉验证策略。

Changed in version 0.22: cv 默认值如果为None，从3折改为5折。

max_n_alphasint, default=1000

在交叉验证中计算残差时使用的路径上的最大点数。

n_jobsint or None, default=None

在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。请参阅 Glossary 以获取更多详细信息。

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

在计算Cholesky对角因子时使用的机器精度正则化。对于非常病态的系统，增加此值。与某些基于迭代优化的算法中的 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。

positivebool, default=False

限制系数为 >= 0。请注意，您可能希望删除默认设置为True的fit_intercept。在正限制下，模型系数不会收敛到普通最小二乘解，对于alpha的小值。只有通过逐步Lars-Lasso算法达到的最小alpha值（当fit_path=True时为 alphas_[alphas_ > 0.].min() ）的系数通常与坐标下降Lasso估计器的解一致。因此，使用LassoLarsCV仅对期望和/或达到稀疏解的问题有意义。

Attributes:

coef_array-like of shape (n_features,): 参数向量（公式中的w）
intercept_float: 决策函数中的独立项。
coef_path_array-like of shape (n_features, n_alphas): 沿路径变化的系数值
alpha_float: 估计的正则化参数alpha
alphas_array-like of shape (n_alphas,): 沿路径的不同alpha值
cv_alphas_array-like of shape (n_cv_alphas,): 沿路径的不同折叠的所有alpha值
mse_path_array-like of shape (n_folds, n_cv_alphas): 沿路径每个折叠的留一法均方误差（alpha值由 cv_alphas 给出）
n_iter_array-like or int: 使用最优alpha运行的Lars迭代次数。
active_list of int: 路径结束时活动变量的索引。
n_features_in_int: 在 fit 期间看到的特征数量。

Added in version 0.24.
feature_names_in_ndarray of shape ( n_features_in_ ,): 在 fit 期间看到的特征名称。仅当 X 的特征名称为所有字符串时定义。

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先验作为正则化训练的线性模型（即Lasso）。
LassoCV: 沿正则化路径迭代拟合的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Lars并通过BIC或AIC进行模型选择的Lasso模型。
sklearn.decomposition.sparse_encode: 稀疏编码。

Notes

该对象解决与 LassoCV 对象相同的问题。然而，与 LassoCV 不同，它自己找到相关的alpha值。一般来说，由于这一特性，它会更稳定。然而，它对高度多重共线性的数据集更为脆弱。

如果与总特征数相比，只有少数特征被选择，例如，如果样本数量非常少于特征数量，它比 LassoCV 更高效。

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重新拟合。

Examples

>>> 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_
0.3972...
>>> reg.predict(X[:1,])
array([-78.4831...])

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 = '$UNCHANGED$') → LassoLarsCV#

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 = '$UNCHANGED$') → LassoLarsCV#

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.

Gallery examples#

Lasso模型选择：AIC-BIC / 交叉验证