Python sklearn Lars用法及代碼示例

本文簡要介紹python語言中 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)

最小角回歸模型又名 LAR。

在用戶指南中閱讀更多信息。

參數：

fit_intercept：布爾，默認=真

是否計算此模型的截距。如果設置為 false，則不會在計算中使用截距(即數據應居中)。

verbose：bool 或 int，默認 = False

設置詳細程度。

normalize：布爾，默認=真

當 fit_intercept 設置為 False 時忽略此參數。如果為 True，則回歸量 X 將在回歸前通過減去均值並除以 l2 範數進行歸一化。如果您希望標準化，請在使用 normalize=False 對估計器調用 fit 之前使用 StandardScaler 。

precompute：bool，‘auto’ 或類似數組，默認=’auto’

是否使用預先計算的 Gram 矩陣來加速計算。如果設置為'auto'，讓我們決定。 Gram 矩陣也可以作為參數傳遞。

n_nonzero_coefs：整數，默認=500

非零係數的目標數量。使用np.inf 沒有限製。

eps：浮點數，默認=np.finfo(float).eps

machine-precision 正則化計算 Cholesky 對角因子。為非常 ill-conditioned 的係統增加此值。與某些基於迭代優化的算法中的tol 參數不同，該參數不控製優化的容差。

copy_X：布爾，默認=真

如果 True ，X 將被複製；否則，它可能會被覆蓋。

fit_path：布爾，默認=真

如果為 True，則完整路徑存儲在 coef_path_ 屬性中。如果您計算一個大問題或許多目標的解決方案，將 fit_path 設置為 False 將導致加速，尤其是在 alpha 較小的情況下。

jitter：浮點數，默認=無

要添加到 y 值的均勻噪聲參數的上限，以滿足模型對 one-at-a-time 計算的假設。可能有助於穩定性。

random_state：int、RandomState 實例或無，默認=無

確定抖動的隨機數生成。傳遞 int 以在多個函數調用之間實現可重現的輸出。請參閱術語表。如果 jitter 為 None，則忽略。

屬性：

alphas_：形狀為 (n_alphas + 1,) 的類似數組或此類數組的列表

每次迭代的協方差最大值(絕對值)。 n_alphas 是 max_iter 、 n_features 或 alpha >= alpha_min 路徑中的節點數，以較小者為準。如果這是一個類似數組的列表，則外部列表的長度為 n_targets 。

active_：形狀列表 (n_alphas,) 或此類列表的列表

路徑末端的活動變量的索引。如果這是列表列表，則外部列表的長度為 n_targets 。

coef_path_：形狀類似數組 (n_features, n_alphas + 1) 或此類數組的列表

沿路徑的係數值的變化。如果 fit_path 參數為 False ，則該值不存在。如果這是一個類似數組的列表，則外部列表的長度為 n_targets 。

coef_：形狀為 (n_features,) 或 (n_targets, n_features) 的類似數組

參數向量(公式中的 w)。

intercept_：形狀為浮點或類似數組 (n_targets,)

決策函數中的獨立項。

n_iter_：類似數組或int

lars_path 為找到每個目標的 alpha 網格而進行的迭代次數。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

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...]