Python sklearn LarsCV用法及代码示例

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

用法:

class sklearn.linear_model.LarsCV(*, fit_intercept=True, verbose=False, max_iter=500, normalize='deprecated', precompute='auto', cv=None, max_n_alphas=1000, n_jobs=None, eps=2.220446049250313e-16, copy_X=True)

Cross-validated 最小角度回归模型。

请参阅交叉验证估计器的词汇表条目。

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。

max_iter：整数，默认=500

要执行的最大迭代次数。

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 矩阵不能作为参数传递，因为我们将只使用 X 的子集。

cv：int，交叉验证生成器或可迭代的，默认=无

确定交叉验证拆分策略。 cv 的可能输入是：

• 无，使用默认的 5 折交叉验证，
• 整数，指定折叠次数。
• CV分配器，
• 一个可迭代的 yield (train, test) 拆分为索引数组。

对于整数/无输入，使用KFold。

有关可在此处使用的各种交叉验证策略，请参阅用户指南。

max_n_alphas：整数，默认=1000

路径上用于计算交叉验证残差的最大点数。

n_jobs：int 或无，默认=无

交叉验证期间要使用的 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。有关详细信息，请参阅词汇表。

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。

属性：

active_：长度为 n_alphas 的列表或此类列表的列表

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

coef_：形状类似数组 (n_features,)

参数向量(公式中的w)

intercept_：浮点数

决策函数中的独立项

coef_path_：形状类似数组 (n_features, n_alphas)

沿路径的系数的变化值

alpha_：浮点数

估计的正则化参数 alpha

alphas_：形状类似数组 (n_alphas,)

沿路径的不同 alpha 值

cv_alphas_：形状类似数组 (n_cv_alphas,)

不同折叠路径上的所有 alpha 值

mse_path_：形状类似数组 (n_folds, n_cv_alphas)

left-out 上沿路径的每个折叠的均方误差(由 cv_alphas 给出的 alpha 值)

n_iter_：类似数组或int

Lars 以最优 alpha 运行的迭代次数。

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.linear_model import LarsCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_samples=200, noise=4.0, random_state=0)
>>> reg = LarsCV(cv=5, normalize=False).fit(X, y)
>>> reg.score(X, y)
0.9996...
>>> reg.alpha_
0.2961...
>>> reg.predict(X[:1,])
array([154.3996...])