sklearn.linear_model.LassoLarsIC?

class sklearn.linear_model.LassoLarsIC(criterion='aic', *, fit_intercept=True, verbose=False, normalize=True, precompute='auto', max_iter=500, eps=2.220446049250313e-16, copy_X=True, positive=False)

使用BIC或AIC進行模型選擇的Lars擬合套索(Lasso)模型

Lasso的優化目標是：

AIC是Akaike信息標準，而BIC是Bayes信息標準。通過在擬合優度和模型復雜度之間進行權衡，這樣的標準對于選擇正則化參數的值很有用。一個好的模型應該在簡單的同時很好地解釋數據。

在用戶指南中閱讀更多內容。

參數	說明
criterion	{‘bic’ , ‘aic’}, default=’aic’ 要使用的標準類型。
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。
normalize	bool, default=False `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。
max_iter	int, default=500 要執行的最大迭代次數。可用于提前停止。
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。
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LassoLarsIC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（公式中的w）
intercept_	float 決策函數中的截距。
alpha_	float 信息標準選擇的alpha參數
n_iter_	int lars_path運行以查找alpha網格的迭代次數。
criteria_like	array-like of shape (n_alphas,) 所有Alpha信息標準（“ aic”，“ bic”）的值。選擇具有最小信息標準的alpha。該值比Eqns. 2.15和2.16中的`n_samples`大1倍(Zou et al, 2007)。

另見

lars_path，LassoLars，LassoLarsCV

注

自由度數的估計為：

“On the degrees of freedom of the lasso” Hui Zou, Trevor Hastie, and Robert Tibshirani Ann. Statist. Volume 35, Number 5 (2007), 2173-2192.

https://en.wikipedia.org/wiki/Akaike_information_criterion https://en.wikipedia.org/wiki/Bayesian_information_criterion

示例

>>> from sklearn import linear_model
>>> reg = linear_model.LassoLarsIC(criterion='bic')
>>> reg.fit([[-1, 1], [0, 0], [1, 1]], [-1.1111, 0, -1.1111])
LassoLarsIC(criterion='bic')
>>> print(reg.coef_)
[ 0.  -1.11...]

方法

方法	說明
`fit`(X, y[, copy_X])	使用X，y作為訓練數據擬合模型。
`get_params`([deep])	獲取此估計量的參數。
`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__（standard ='aic'，*，fit_intercept = True，verbose = False，normalize = True，precompute ='auto'，max_iter = 500，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, copy_X=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,) 目標值。如有必要，將強制轉換為X的數據類型
copy_X	bool, default=None 如果設置了此參數，它將覆蓋實例創建時選擇的copy_X。如果`True`，X將被復制；否則X可能會被覆蓋。

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。

sklearn.linear_model.LassoLarsIC使用示例?

LASSO模型選擇：交叉驗證/AIC/BIC ?