• 最小角回归
  • sklearn.linear_model.Lars
  • sklearn.linear_model.LassoLars


最小角回归

skitlearn 回归性能评估的利器_机器学习

sklearn.linear_model.Lars

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

参数：

fit_intercept：bool, default=True
	是否计算此模型的截距。如果设置为false，则在计算中将不使用任何截距(即数据将被居中)。
verbose：bool or int, default=False
	设置详细量
normalize：bool, default=True
	当fit_intercept设置为False时，忽略此参数。如果为真，则回归前，通过减去平均值并除以l2范数，
对回归数X进行归一化。
precompute：bool, ‘auto’ or array-like , default=’auto’
	是否使用预计算的程序矩阵加快计算速度。
n_nonzero_coefs：int, default=500
	非零系数的目标数。
eps：float, optional
	Cholesky对角因子计算中的机器精度正则化。
copy_X：bool, default=True
	如果True，X将被复制，否则，它可能会被覆盖。
fit_path：bool, default=True
	如果为True，则完整路径存储在coef_path_u属性中。如果计算大问题或多个目标的解决方案，
	将fit_path设置为False将导致加速，特别是使用小alpha时。
jitter：float, default=None
	将均匀噪声参数的上界添加到y值，以满足模型一次计算一次的假设。可能有助于稳定。
random_state：int, RandomState instance or None (default)
	确定抖动的随机数生成。

属性：

alphas_：array-like of shape (n_alphas + 1,) | list of n_targets such arrays
	每次迭代的协方差最大值（绝对值）。
active_:list, length = n_alphas | list of n_targets such lists
	路径末端活动变量的索引。
coef_path_:array-like of shape (n_features, n_alphas + 1) | list of n_targets such arrays
	系数沿路径的变化值。
coef_:array-like of shape (n_features,) or (n_targets, n_features)
	参数向量（公式中的w）。
intercept_:float or array-like of shape (n_targets,)
	决策函数中的独立项。
n_iter_:array-like or int
	迭代次数。

另见：

lars_path, LarsCV
sklearn.decomposition.sparse_encode
>>> from sklearn import linear_model
>>> reg = linear_model.Lars(n_nonzero_coefs=1)
>>> reg.fit([[-1, 1], [0, 0], [1, 1]], [-1.1111, 0, -1.1111])
Lars(n_nonzero_coefs=1)
>>> print(reg.coef_)
[ 0. -1.11...]

方法：

__init__(self, *, fit_intercept=True, verbose=False, normalize=True, 
precompute='auto', n_nonzero_coefs=500, eps=2.220446049250313e-16, copy_X=True, 
fit_path=True, jitter=None, random_state=None)
初始化自身。

fit(self, X, y, Xy=None)
使用X，y作为训练数据拟合模型。
参数：
X：array-like of shape (n_samples, n_features)
训练数据
Y：array-like of shape (n_samples,) or (n_samples, n_targets)
目标值
返回：
self：object
返回self的实例。

get_params(self, deep=True)
获取此估计器的参数。
参数：
deep：bool, default=True
如果为True，则返回此估计器的参数以及包含的子对象（即估计器）。
返回：
params：mapping of string to any
映射到其值的参数名。

predict(self, X)
参数：
X：array_like or sparse matrix, shape (n_samples, n_features)
返回：
C：array, shape (n_samples,)
返回预测值

score(self, X, y, sample_weight=None)
	返回预测的决定系数R^2。

系数R^2定义为(1-u/v)，其中u是残差平方和((y_true-y_pred)**2).sum()，
v是平方和的总和((y_true-y_true.mean())**2).sum()。最好的分数是1.0，
它可以是负的(因为模型可以任意恶化)。一个常数模型总是预测y的期望值，而不考虑输入特性，
则得到R^2分数为0.0。
	参数：
		X：array-like of shape (n_samples, n_features)
		测试样本。
		y：array-like of shape (n_samples,) or (n_samples, n_outputs)
		X的真值。
		sample_weight：array-like of shape (n_samples,), default=None
		样本权重。
	返回：
		scorefloat
		得分
set_params(self, **params)
	设置此估计器的参数。
	参数：
		**params：dict
		估计参数
	返回：
		Self：object
		估计实例

代码

sklearn.linear_model.LassoLars

skitlearn 回归性能评估的利器_skitlearn 回归性能评估的利器_02

class sklearn.linear_model.LassoLars(alpha=1.0, *, fit_intercept=True, verbose=False, 
normalize=True, precompute='auto', max_iter=500, eps=2.220446049250313e-16, copy_X=True, 
fit_path=True, positive=False, jitter=None, random_state=None)

参数：

alpha：float, default=1.0
乘以惩罚项的常数。默认为1.0。alpha=0相当于一个普通的最小二乘法，通过线性回归求解。
fit_intercept：bool, default=True
是否计算此模型的截距。如果设置为false，则计算中将不使用截距（即数据应居中）。
verbose：bool or int, default=False
设置详细量
normalize：bool, default=True
当fit_intercept设置为False时，忽略此参数。如果为真，则回归前，通过减去平均值并除以l2范数，
对回归数X进行归一化。
precompute：bool, ‘auto’ or array-like, default=’auto’
是否使用预计算的程序矩阵加快计算速度。
max_iter：int, default=500
要执行的最大迭代次数。
eps：float, optional
Cholesky对角因子计算中的机器精度正则化。
copy_X：bool, default=True
如果True，X将被复制，否则，它可能会被覆盖。
fit_path：bool, default=True
如果为True，则完整路径存储在coef_path_u属性中。如果计算大问题或多个目标的解决方案，
将fit_path设置为False将导致加速，特别是使用小alpha时。
positive：bool, default=False
限制系数大于等于0。
jitter：float, default=None
将均匀噪声参数的上界添加到y值，以满足模型一次计算一次的假设。可能有助于稳定。
random_state：int, RandomState instance or None (default)
确定抖动的随机数生成。

属性：

alphas_：array-like of shape (n_alphas + 1,) | list of n_targets such arrays
每次迭代的协方差最大值（绝对值）。
active_:list, length = n_alphas | list of n_targets such lists
路径末端活动变量的索引。
coef_path_:array-like of shape (n_features, n_alphas + 1) | list of n_targets such arrays
系数沿路径的变化值。
coef_:array-like of shape (n_features,) or (n_targets, n_features)
参数向量（公式中的w）。
intercept_:float or array-like of shape (n_targets,)
决策函数中的独立项。
n_iter_:array-like or int
迭代次数。

另见：

lars_path
lasso_path
Lasso
LassoCV
LassoLarsCV
LassoLarsIC
sklearn.decomposition.sparse_encode

例子：

>>> from sklearn import linear_model
>>> reg = linear_model.LassoLars(alpha=0.01)
>>> reg.fit([[-1, 1], [0, 0], [1, 1]], [-1, 0, -1])
LassoLars(alpha=0.01)
>>> print(reg.coef_)
[ 0.         -0.963257...]

方法：

__init__(self, *, fit_intercept=True, verbose=False, normalize=True, 
precompute='auto', n_nonzero_coefs=500, eps=2.220446049250313e-16, copy_X=True, 
fit_path=True, jitter=None, random_state=None)
初始化自身。

fit(self, X, y, Xy=None)
使用X，y作为训练数据拟合模型。
参数：
X：array-like of shape (n_samples, n_features)
训练数据
Y：array-like of shape (n_samples,) or (n_samples, n_targets)
目标值
返回：
self：object
返回self的实例。

get_params(self, deep=True)
获取此估计器的参数。
参数：
deep：bool, default=True
如果为True，则返回此估计器的参数以及包含的子对象（即估计器）。
返回：
params：mapping of string to any
映射到其值的参数名。

predict(self, X)
参数：
X：array_like or sparse matrix, shape (n_samples, n_features)
返回：
C：array, shape (n_samples,)
返回预测值

score(self, X, y, sample_weight=None)
	返回预测的决定系数R^2。

系数R^2定义为(1-u/v)，其中u是残差平方和((y_true-y_pred)**2).sum()，
v是平方和的总和((y_true-y_true.mean())**2).sum()。最好的分数是1.0，
它可以是负的(因为模型可以任意恶化)。一个常数模型总是预测y的期望值，
而不考虑输入特性，则得到R^2分数为0.0。
	参数：
		X：array-like of shape (n_samples, n_features)
		测试样本。
		y：array-like of shape (n_samples,) or (n_samples, n_outputs)
		X的真值。
		sample_weight：array-like of shape (n_samples,), default=None
		样本权重。
	返回：
		scorefloat
		得分
set_params(self, **params)
	设置此估计器的参数。
	参数：
		**params：dict
		估计参数
	返回：
		Self：object
		估计实例