Python sklearn lars_path_gram用法及代码示例

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

用法:

sklearn.linear_model.lars_path_gram(Xy, Gram, *, n_samples, max_iter=500, alpha_min=0, method='lar', copy_X=True, eps=2.220446049250313e-16, copy_Gram=True, verbose=0, return_path=True, return_n_iter=False, positive=False)

lars_path 处于充分统计模式 [1]

case method='lasso' 的优化目标是：

(1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1

在 method='lars' 的情况下，目标函数仅以隐式方程的形式已知(参见 [1] 中的讨论)

在用户指南中阅读更多信息。

参数：

Xy：形状为 (n_samples,) 或 (n_samples, n_targets) 的类似数组

Xy = np.dot(X.T, y)。

Gram：形状类似数组 (n_features, n_features)

克 = np.dot(X.T * X)。

n_samples：int 或浮点数

样本的等效大小。

max_iter：整数，默认=500

要执行的最大迭代次数，设置为无限无限制。

alpha_min：浮点数，默认=0

沿路径的最小相关性。它对应于 Lasso 中的正则化参数 alpha 参数。

method：{‘lar’, ‘lasso’}，默认='lar'

指定返回的模型。为最小角度回归选择'lar'，为套索选择'lasso'。

copy_X：布尔，默认=真

如果False，X被覆盖。

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_Gram：布尔，默认=真

如果False，Gram被覆盖。

verbose：整数，默认=0

控制输出详细程度。

return_path：布尔，默认=真

如果 return_path==True 返回整个路径，否则仅返回路径的最后一个点。

return_n_iter：布尔，默认=假

是否返回迭代次数。

positive：布尔，默认=假

将系数限制为 >= 0。此选项仅适用于方法 ‘lasso’。请注意，对于较小的 alpha 值，模型系数不会收敛到 ordinary-least-squares 解。只有通过逐步Lars-Lasso算法达到的最小alpha值(alphas_[alphas_ > 0.].min()，当fit_path=True)的系数通常与坐标下降lasso_path函数的解一致。

返回：

alphas：形状类似数组 (n_alphas + 1,)

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。

active：形状类似数组 (n_alphas,)

路径末端的活动变量的索引。

coefs：形状类似数组 (n_features, n_alphas + 1)

沿路径的系数

n_iter：int

运行的迭代次数。仅当 return_n_iter 设置为 True 时才返回。

参考：

1

“Least Angle Regression”，埃夫隆等人。 http://statweb.stanford.edu/~tibs/ftp/lars.pdf

2

Least-angle 回归的维基百科条目

3

套索上的维基百科条目