sklearn.linear_model.LassoLarsCV?
class sklearn.linear_model.LassoLarsCV(*, fit_intercept=True, verbose=False, max_iter=500, normalize=True, precompute='auto', cv=None, max_n_alphas=1000, n_jobs=None, eps=2.220446049250313e-16, copy_X=True, positive=False)
使用LARS算法的交叉驗證套索(Lasso)估計器。
有關交叉驗證估算器，請參閱詞匯表條目。
Lasso的優化目標是：
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| fit_intercept | bool, default=True 是否計算該模型的截距。如果設置為false，則在計算中將不使用截距（即數據應已中心化）。 |
| verbose | bool or int, default=False 日志詳細程度。 |
| max_iter | int, default=500 要執行的最大迭代次數。 |
| normalize | bool, default=Falsefit_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。 |
| cv | int, cross-validation generator or an iterable, default=None 確定交叉驗證拆分策略。可能的輸入是： - None，使用默認的5折交叉驗證 - int，用于指定折疊數。 - CV分割器， - 可迭代生成(分割訓練、測試)索引數組。 對于int / None輸入，使用 KFold。有關可在此處使用的各種交叉驗證策略，請參閱用戶指南。 在0.22版本中更改： cv如果是“None”，默認值從3折更改為5折。 |
| max_n_alphas | int, default=1000 交叉驗證中用于計算殘差的路徑上的最大點數 |
| n_jobs | int or None, default=None 交叉驗證期間要使用的CPU核心數量。 除非在上下文中設置了 joblib.parallel_backend，否則None表示1 。 -1表示使用所有處理器。有關更多詳細信息，請參見詞匯表。 |
| 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。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。 |
| positive | bool, default=False 將系數限制為> =0。請注意，你可能希望刪除默認設置為True時的fit_intercept。在正約束下，對于較小的alpha值，模型系數將不會收斂到普通最小二乘解。通常，逐步Lars-Lasso算法所達到最小alpha值（當fit_path = True， alphas_[alphas_ > 0.].min()）的系數才與坐標下降Lasso估計的解一致。因此，使用LassoLarsCV只對期望達到稀疏解的問題有意義。 |
| 屬性 | 說明 |
|---|---|
| coef_ | array-like of shape (n_features,) 參數向量（目標函數公式中的w）。 |
| intercept_ | float 目標函數中的截距。 |
| coef_path_ | array-like of shape (n_features, n_alphas) 沿路徑變化的系數值。 |
| alpha_ | float 估計的正則化參數alpha |
| alphas_ | array-like of shape (n_alphas,) 沿路徑的不同alpha值 |
| cv_alphas_ | array-like of shape (n_cv_alphas,) 沿路徑的所有折疊的Alpha值 |
| mse_path_ | array-like of shape (n_folds, n_cv_alphas) 沿路徑的每一折的均方誤差（alpha值由 cv_alphas給出） |
| n_iter_ | array-like or int Lars使用最佳alpha進行的迭代次數。 |
另見
注
該對象解決了與LassoCV對象相同的問題。但是，與LassoCV不同，它自己查找相關的alpha值。一般來說，由于此屬性，它將更加穩定。但是，它對于嚴重的多重共線性數據集來說比較脆弱。
如果只選擇了少量特征而不是所有特征，則它比LassoCV更有效，例如，與特征數目相比，樣本很少。
示例
>>> 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)
0.9992...
>>> reg.alpha_
0.0484...
>>> reg.predict(X[:1,])
array([-77.8723...])
方法
| 方法 | 說明 |
|---|---|
fit(X, y) |
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, max_iter=500, normalize=True, precompute='auto', cv=None, max_n_alphas=1000, n_jobs=None, eps=2.220446049250313e-16, copy_X=True, positive=False)
[源碼]
初始化self， 請參閱help(type(self))以獲得準確的說明。
fit(X, y)
[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,) 目標值。 |
| 返回值 | 說明 |
|---|---|
| self | object 返回估計器實例 |
get_params(deep=True)
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。 |
