Python sklearn Lars用法及代码示例

本文简要介绍python语言中 sklearn.linear_model.Lars 的用法。

用法:

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

最小角回归模型又名 LAR。

在用户指南中阅读更多信息。

参数：

fit_intercept：布尔，默认=真

是否计算此模型的截距。如果设置为 false，则不会在计算中使用截距(即数据应居中)。

verbose：bool 或 int，默认 = False

设置详细程度。

normalize：布尔，默认=真

当 fit_intercept 设置为 False 时忽略此参数。如果为 True，则回归量 X 将在回归前通过减去均值并除以 l2 范数进行归一化。如果您希望标准化，请在使用 normalize=False 对估计器调用 fit 之前使用 StandardScaler 。

precompute：bool，‘auto’ 或类似数组，默认=’auto’

是否使用预先计算的 Gram 矩阵来加速计算。如果设置为'auto'，让我们决定。 Gram 矩阵也可以作为参数传递。

n_nonzero_coefs：整数，默认=500

非零系数的目标数量。使用np.inf 没有限制。

eps：浮点数，默认=np.finfo(float).eps

machine-precision 正则化计算 Cholesky 对角因子。为非常 ill-conditioned 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，该参数不控制优化的容差。

copy_X：布尔，默认=真

如果 True ，X 将被复制；否则，它可能会被覆盖。

fit_path：布尔，默认=真

如果为 True，则完整路径存储在 coef_path_ 属性中。如果您计算一个大问题或许多目标的解决方案，将 fit_path 设置为 False 将导致加速，尤其是在 alpha 较小的情况下。

jitter：浮点数，默认=无

要添加到 y 值的均匀噪声参数的上限，以满足模型对 one-at-a-time 计算的假设。可能有助于稳定性。

random_state：int、RandomState 实例或无，默认=无

确定抖动的随机数生成。传递 int 以在多个函数调用之间实现可重现的输出。请参阅术语表。如果 jitter 为 None，则忽略。

属性：

alphas_：形状为 (n_alphas + 1,) 的类似数组或此类数组的列表

每次迭代的协方差最大值(绝对值)。 n_alphas 是 max_iter 、 n_features 或 alpha >= alpha_min 路径中的节点数，以较小者为准。如果这是一个类似数组的列表，则外部列表的长度为 n_targets 。

active_：形状列表 (n_alphas,) 或此类列表的列表

路径末端的活动变量的索引。如果这是列表列表，则外部列表的长度为 n_targets 。

coef_path_：形状类似数组 (n_features, n_alphas + 1) 或此类数组的列表

沿路径的系数值的变化。如果 fit_path 参数为 False ，则该值不存在。如果这是一个类似数组的列表，则外部列表的长度为 n_targets 。

coef_：形状为 (n_features,) 或 (n_targets, n_features) 的类似数组

参数向量(公式中的 w)。

intercept_：形状为浮点或类似数组 (n_targets,)

决策函数中的独立项。

n_iter_：类似数组或int

lars_path 为找到每个目标的 alpha 网格而进行的迭代次数。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

例子：

>>> from sklearn import linear_model
>>> reg = linear_model.Lars(n_nonzero_coefs=1, normalize=False)
>>> reg.fit([[-1, 1], [0, 0], [1, 1]], [-1.1111, 0, -1.1111])
Lars(n_nonzero_coefs=1, normalize=False)
>>> print(reg.coef_)
[ 0. -1.11...]