sklearn.linear_model.Lars?

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

[源碼]

最小角度回歸模型，又稱LAR。

在用戶指南中閱讀更多內容。

參數	說明
fit_intercept	bool, default=True 是否計算此模型的截距。如果設置為False，則在計算中將不使用截距（即，數據應居中）。
verbose	bool or int, default=False 詳細程度
normalize	bool, default=True `fit_intercept`設置為False 時，將忽略此參數。如果為True，則在回歸之前通過減去均值并除以l2-范數來對回歸變量X進行歸一化。如果你希望標準化，請先使用 `sklearn.preprocessing.StandardScaler`，然后調用`fit` 估算器并設置`normalize=False`。
precompute	bool, ‘auto’ or array-like , default=’auto’ 是否使用預先計算的Gram矩陣來加快計算速度。Gram矩陣也可以作為參數傳遞。
n_nonzero_coefs	int, default=500 非零系數的目標數量。使用`np.inf`時無限制。
eps	float, optional Cholesky對角因子計算中的機器精度正則化。對于病態系統，請增加此值。與某些基于迭代優化的算法中的`tol`參數不同，此參數不控制優化的容忍度。默認情況下，使用`np.finfo(np.float).eps`。
copy_X	bool, default=True 如果`True`，將復制X；否則X可能會被覆蓋。
fit_path	bool, default=True 如果為True，則完整路徑將存儲在`coef_path_`屬性中。如果針對一個大問題或多個目標計算解決方案，設置`fit_path`為`False`會導致加速，尤其是對于較小的alpha。
jitter	float, default=None 要添加到`y`值的均勻噪聲參數的上限，以滿足模型一次計算的假設。可能會對穩定性有所幫助。
random_state	int, RandomState instance or None (default) 確定噪聲的隨機數生成模式。為多個函數調用傳遞一個整數來實現重復輸出。請參閱詞匯表。如果`jitter`為None則忽略此參數。

屬性	說明
alphas_	array-like of shape (n_alphas + 1,)\|list of n_targets such arrays 每次迭代的最大協方差（絕對值）。 `n_alphas`是`n_nonzero_coefs`或`n_features`，以較小者為準。
active_	list, length = n_alphas\|list of n_targets such lists 路徑末尾的活動變量的索引。
coef_path_	array-like of shape (n_features, n_alphas + 1)\|list of n_targets such arrays 沿路徑的系數的變化值。如果`fit_path`參數為`False`，則此參數不可用。
coef_	array-like of shape (n_features,) or (n_targets, n_features) 參數向量（目標公式中的w）。
intercept_	float or array-like of shape (n_targets,) 目標函數中的截距。
n_iter_	array-like or int lars_path為每個目標查找alpha網格所花費的迭代次數。

另見

lars_path， LarsCV
sklearn.decomposition.sparse_encode

示例

>>> 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...]

方法

方法	說明
`fit`(X, y[, Xy])	使用X，y作為訓練數據擬合模型。
`get_params`([deep])	獲取此估計器的參數。
`predict`(X)	使用線性模型進行預測。
`score`(X, y[, sample_weight])	返回預測的確定系數R ^ 2。
`set_params`(**params)	設置此估算器的參數。

__init__(*, fit_intercept=True, verbose=False, normalize=True, precompute='auto', n_nonzero_coefs=500, eps=2.220446049250313e-16, copy_X=True, fit_path=True, jitter=None, random_state=None)

[源碼]

初始化self，請參閱help(type(self))以獲得準確的說明。

fit(X, y, Xy=None)

[源碼]

使用X，y作為訓練數據擬合模型。

參數	說明
X	array-like of shape (n_samples, n_features) 訓練數據。
y	array-like of shape (n_samples,) or (n_samples, n_targets) 目標值。
Xy	array-like of shape (n_samples,) or (n_samples, n_targets), default=None Xy = np.dot（XT，y）可以預先計算。僅當預先計算了Gram矩陣時才有用。

返回值	說明
self	object 返回估計器實例

get_params(deep=True)

[源碼]

獲取此估計量的參數。

參數	說明
deep	bool, default=True 如果為True，則將返回此估算器和所包含子對象的參數。

返回值	說明
params	mapping of string to any 參數名稱映射到其值。

predict(X)

[源碼]

使用線性模型進行預測。

參數	說明
X	array_like or sparse matrix, shape (n_samples, n_features) 樣本數據

返回值	說明
C	array, shape (n_samples,) 返回預測值。

score(X, y, sample_weight=None)

[源碼]

返回預測的確定系數R ^ 2。

系數R ^ 2定義為（1- 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（）。可能的最高得分為1.0，并且也可能為負（因為該模型可能會更差）。一個常數模型總是預測y的期望值，而不考慮輸入特征，得到的R^2得分為0.0。

參數	說明
X	array-like of shape (n_samples, n_features) 測試樣本。對于某些估計量，這可以是預先計算的內核矩陣或通用對象列表，形狀為（n_samples，n_samples_fitted），其中n_samples_fitted是用于擬合估計器的樣本數。
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真實值。
sample_weight	array-like of shape (n_samples,), default=None 樣本權重。

返回值	說明
score	float 預測值與真實值的R^2。

注

調用回歸器中的score時使用的R2分數，multioutput='uniform_average'從0.23版開始使用，與r2_score默認值保持一致。這會影響多輸出回歸的score方法（ MultiOutputRegressor除外）。

set_params(**params)

[源碼]

設置此估計器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者具有形式為 <component>__<parameter>的參數，這樣就可以更新嵌套對象的每個組件。

參數	說明
**params	dict 估計器參數。

返回值	說明
self	object 估計器實例。