Lars

classsklearn.linear_model.Lars(*, fit_intercept=True, verbose=False, precompute='auto', n_nonzero_coefs=500, eps=np.float64(2.220446049250313e-16), copy_X=True, fit_path=True, jitter=None, random_state=None)[source]

Модель регрессии наименьших углов (LAR).

Подробнее см. в Руководстве пользователя.

Параметры:

fit_interceptbool, по умолчанию=True

Вычислять ли свободный член для этой модели. Если установлено в значение false, свободный член не будет использоваться в расчётах (т.е. ожидается, что данные будут центрированы).

verbosebool или int, по умолчанию=False

Устанавливает уровень подробности.

precomputebool, ‘auto’ или массив, по умолчанию=’auto’

Использовать ли предварительно вычисленную матрицу Грама для ускорения расчётов. Если установлено в значение 'auto', решение будет принято за нас. Матрица Грама также может быть передана в качестве аргумента.

n_nonzero_coefsint, по умолчанию=500

Целевое количество ненулевых коэффициентов. Используйте np.inf для отсутствия ограничения.

epsfloat, по умолчанию=np.finfo(float).eps

Машинная точность регуляризации при вычислении диагональных факторов Холецкого. Увеличьте это значение для очень плохо обусловленных систем. В отличие от параметра tol в некоторых итерационных алгоритмах оптимизации, этот параметр не контролирует толерантность оптимизации.

copy_Xbool, по умолчанию=True

Если True, X будет скопирован; в противном случае он может быть перезаписан.

fit_pathbool, по умолчанию=True

Если True, полный путь хранится в атрибуте coef_path_. Если вы вычисляете решение для большой задачи или многих целей, установка fit_path в False приведёт к ускорению, особенно при малом значении alpha.

jitterfloat, по умолчанию=None

Верхняя граница параметра равномерного шума, который добавляется к значениям y, чтобы удовлетворить предположению модели об одномоментных вычислениях. Может помочь с устойчивостью.

Добавлен в версии 0.23.

random_stateint, экземпляр RandomState или None, по умолчанию=None

Определяет генерацию случайных чисел для джиттерирования. Передайте целое число для воспроизводимого результата при нескольких вызовах функций. См. Словарь. Игнорируется, если jitter равно None.

Добавлен в версии 0.23.

Атрибуты:

alphas_массив типа (n_alphas + 1,) или список таких массивов

Максимум ковариаций (по абсолютной величине) на каждой итерации. n_alphas это либо max_iter, n_features или число узлов в пути с alpha >= alpha_min, что меньше. Если это список массивов, длина внешнего списка равна n_targets.

active_список типа (n_alphas,) или список таких списков

Индексы активных переменных в конце пути. Если это список списков, длина внешнего списка равна n_targets.

coef_path_массив типа (n_features, n_alphas + 1) или список таких массивов

Меняющиеся значения коэффициентов вдоль пути. Отсутствует, если параметр fit_path имеет значение False. Если это список массивов, длина внешнего списка равна n_targets.

coef_массив типа (n_features,) или (n_targets, n_features)

Вектор параметров (w в формулировке).

intercept_float или массив типа (n_targets,)

Свободный член в функции принятия решений.

n_iter_массив или int

Количество итераций, выполненных lars_path для нахождения сетки альфа для каждой цели.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив типа (n_features_in_,)

Названия признаков, увиденные во время fit. Определяются только тогда, когда у X есть имена признаков, которые все являются строками.

Добавлен в версии 1.0.

См. также

lars_path

Вычисление пути наименьших углов регрессии или пути Лассо с помощью алгоритма LARS.

LarsCV

Модель перекрёстной проверки регрессии наименьших углов.

sklearn.decomposition.sparse_encode

Сжатое кодирование.

Примеры

>>> 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...]

fit(X, y, Xy=None)[source]

Обучение модели с использованием данных X, y.

Параметры:

Xмассив типа (n_samples, n_features)

Обучающие данные.

yмассив типа (n_samples,) или (n_samples, n_targets)

Значения целевой переменной.

Xyмассив типа (n_features,) или (n_features, n_targets), по умолчанию=None

Xy = np.dot(X.T, y), что может быть предварительно вычислено. Полезно только при предварительно вычисленной матрице Грама.

Возвращает:

selfобъект

Возвращает экземпляр self.

get_metadata_routing()[source]

Получить метаданные маршрутизации этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsсловарь

Названия параметров сопоставлены со значениями.

predict(X)[source]

Предсказание с использованием линейной модели.

Параметры:

Xмассив или разреженная матрица, форма (n_samples, n_features)

Образцы.

Возвращает:

Cмассив, форма (n_samples,)

Возвращает предсказанные значения.

score(X, y, sample_weight=None)[source]

Возвращает коэффициент детерминации предсказания.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — сумма квадратов остатков ((y_true - y_pred)** 2).sum() и \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Лучший возможный результат — 1,0, и он может быть отрицательным (потому что модель может быть произвольно хуже). Константная модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит значение \(R^2\) равное 0,0.

Parameters:

Xarray-like of shape (n_samples, n_features)

Тестируемые образцы. Для некоторых оценщиков это может быть предопределённая матрица ядра или список общих объектов вместо неё с формой (n_samples, n_samples_fitted), где n_samples_fitted — количество образцов, используемых при подгонке для оценщика.

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

Истинные значения для X.

sample_weightarray-like of shape (n_samples,), default=None

Веса образцов.

Returns:

scorefloat

\(R^2\) для self.predict(X) по отношению к y.

Notes

Значение \(R^2\), используемое при вызове score для регрессора, использует multioutput='uniform_average' с версии 0.23 для сохранения согласованности со значением по умолчанию функции r2_score. Это влияет на метод score всех регрессоров с несколькими выходами (кроме MultiOutputRegressor).

set_fit_request(*, Xy:bool|None|str='$UNCHANGED$') → Lars[source]

Запрос метаданных, передаваемых методу fit.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, обратитесь к Руководству пользователя для ознакомления с принципом работы механизма маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются fit если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их fit.
• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь их предоставит.
• str: метаданные должны передаваться мета-оценщику с этим псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменять запрос для некоторых параметров, а не для других.

Added in version 1.3.

Примечание

Этот метод актуален только если этот оценщик используется как под-оценщик мета-оценщика, например, внутри Pipeline. В противном случае он не имеет эффекта.

Parameters:

Xystr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра Xy в fit.

Returns:

selfobject

Обновлённый объект.

set_params(**params)[source]

Устанавливает параметры этого оценщика.

Метод работает как с простыми оценщиками, так и со вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы можно было обновлять каждый компонент вложенного объекта.

Parameters:

**paramsdict

Параметры оценщика.

Returns:

selfestimator instance

Экземпляр оценщика.

set_score_request(*, sample_weight:bool|None|str='$UNCHANGED$') → Lars[source]

Запрос метаданных, передаваемых методу score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, ознакомьтесь с Руководством пользователя для понимания принципов работы механизма маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются методу score при их наличии. Запрос игнорируется, если метаданные отсутствуют.
• False: метаданные не запрашиваются, и мета-эстиматор не передаст их методу score.
• None: метаданные не запрашиваются, и мета-эстиматор выведет ошибку, если пользователь их предоставит.
• str: метаданные должны передаваться мета-эстиматору с указанным псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для всех.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если данный эстиматор используется как под-эстиматор мета-эстиматора, например, внутри Pipeline. В противном случае он не оказывает влияния.

Parameters:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в score.

Returns:

selfobject

Обновлённый объект.