LarsCV

classsklearn.linear_model.LarsCV(*, fit_intercept=True, verbose=False, max_iter=500, precompute='auto', cv=None, max_n_alphas=1000, n_jobs=None, eps=np.float64(2.220446049250313e-16), copy_X=True)[source]

Модель регрессии с наименьшим углом, проверенная на перекрестной валидации.

См. запись в глоссарии для эстиматора перекрестной валидации.

Дополнительную информацию 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 расчетах (т.е. ожидается, что данные будут центрированы).

verbosebool или int, по умолчанию=False

Устанавливает уровень подробности вывода.

max_iterint, по умолчанию=500

Максимальное количество итераций.

precomputebool, ‘auto’ или массив-подобный тип данных, по умолчанию='auto'

Использовать ли предварительно вычисленную матрицу Грама для ускорения вычислений. Если установлено в 'auto', то решение будет принято автоматически. Матрица Грама не может быть передана в качестве аргумента, так как будут использоваться только подмножества X.

cvint, генератор перекрестной валидации или итерируемый объект, по умолчанию=None

Определяет стратегию разделения данных на перекрестную валидацию. Возможные входные значения для cv:

• None, для использования по умолчанию 5-кратной перекрестной валидации,
• целое число, для указания количества фолдов.
• разделитель перекрестной валидации,
• итерируемый объект, возвращающий (обучающие, тестовые) разделения в виде массивов индексов.

Для целочисленных/None значений используется KFold.

Подробные сведения о различных стратегиях перекрестной валидации см. в руководстве пользователя.

Изменено в версии 0.22: cv значение по умолчанию, если None, изменено с 3-кратной на 5-кратную перекрестную валидацию.

max_n_alphasint, по умолчанию=1000

Максимальное количество точек на пути, используемых для вычисления остатков в перекрестной валидации.

n_jobsint или None, по умолчанию=None

Количество процессоров, используемых при перекрестной валидации. None означает 1, за исключением контекста joblib.parallel_backend. -1 означает использование всех процессоров. Дополнительные сведения см. в глоссарии.

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

Регуляризация машинной точности при вычислении диагональных факторов Холецкого. Увеличьте это значение для очень плохо обусловленных систем. В отличие от параметра tol в некоторых алгоритмах итерационной оптимизации, этот параметр не контролирует толерантность оптимизации.

copy_Xbool, по умолчанию=True

Если True, X будет скопирован; иначе, он может быть перезаписан.

Атрибуты:

active_список длиной n_alphas или список таких списков

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

coef_массив-подобный тип данных формы (n_features,)

вектор параметров (w в формулировке)

intercept_float

свободный член в функции принятия решений

coef_path_массив-подобный тип данных формы (n_features, n_alphas)

изменяющиеся значения коэффициентов вдоль пути

alpha_float

оцененный параметр регуляризации alpha

alphas_массив-подобный тип данных формы (n_alphas,)

различные значения alpha вдоль пути

cv_alphas_массив-подобный тип данных формы (n_cv_alphas,)

все значения alpha вдоль пути для различных фолдов

mse_path_массив-подобный тип данных формы (n_folds, n_cv_alphas)

средняя квадратичная ошибка для оставшихся фолдов вдоль пути (значения alpha задаются cv_alphas)

n_iter_массив-подобный тип данных или int

количество итераций, выполненных Lars с оптимальным alpha.

n_features_in_int

Количество признаков, увиденных во время этапа обучения.

Добавлен в версии 0.24.

feature_names_in_массив-подобный тип данных формы (n_features_in_,)

Названия признаков, увиденных во время этапа обучения. Определены только тогда, когда X имеет имена признаков, которые все являются строками.

Добавлен в версии 1.0.

См. также

lars_path

Вычисление пути регрессии с наименьшим углом или Lasso с помощью алгоритма LARS.

lasso_path

Вычисление пути Lasso с использованием метода координатного спуска.

Lasso

Линейная модель, обученная с L1-приоритетом в качестве регуляризатора (известная как Lasso).

LassoCV

Линейная модель Lasso с итеративным обучением по пути регуляризации.

LassoLars

Модель Lasso, обученная с помощью регрессии с наименьшим углом (Lars).

LassoLarsIC

Модель Lasso, обученная с помощью Lars с использованием BIC или AIC для выбора модели.

sklearn.decomposition.sparse_encode

Разложение с разреженностью.

Примечания

В fit, после нахождения оптимального параметра alpha с помощью перекрестной валидации, модель обучается заново, используя весь обучающий набор.

Примеры

>>> 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).fit(X, y)
>>> reg.score(X, y)
0.9996...
>>> reg.alpha_
np.float64(0.2961...)
>>> reg.predict(X[:1,])
array([154.3996...])

fit(X, y, **params)[source]

Обучение модели с использованием X, y в качестве обучающих данных.

Параметры:

Xмассив-подобный тип данных формы (n_samples, n_features)

Обучающие данные.

yмассив-подобный тип данных формы (n_samples,)

Значения целевой переменной.

**paramsdict, по умолчанию=None

Параметры, передаваемые разделителю CV.

Добавлен в версии 1.4: Доступно только, если enable_metadata_routing=True, что может быть установлено с помощью sklearn.set_config(enable_metadata_routing=True). Дополнительные сведения см. в руководстве пользователя по маршрутизации метаданных.

Возвращает:

selfобъект

Возвращает экземпляр self.

get_metadata_routing()[source]

Получить маршрутизацию метаданных для этого объекта.

Подробнее о механизме маршрутизации см. руководство пользователя.

Добавлен в версии 1.4.

Возвращает:

routingMetadataRouter

Энтузиаст MetadataRouter, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры данного оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры данного оценщика и вложенных под-объектов, являющихся оценщиками.

Возвращает:

paramsdict

Названия параметров, сопоставленные с их значениями.

predict(X)[source]

Предсказание с помощью линейной модели.

Параметры:

Xмассив или разреженная матрица, форма (n_samples, n_features)

Примеры.

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 \(u\) — остаточная сумма квадратов ((y_true - y_pred)** 2).sum() и \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Лучшее возможное значение — 1.0, оно может быть отрицательным (потому что модель может быть произвольно хуже). Модель, которая всегда предсказывает ожидаемое значение y, не учитывая входные признаки, получит значение \(R^2\) равное 0.0.

Параметры:

Xмассив данных формы (n_samples, n_features)

Тестовые выборки. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список общих объектов вместо с формой (n_samples, n_samples_fitted), где n_samples_fitted — количество выборок, использованных при подгонке к оценщику.

yмассив данных формы (n_samples,) или (n_samples, n_outputs)

Истинные значения для X.

sample_weightмассив данных формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:

scorefloat

\(R^2\) от self.predict(X) относительно y.

Примечания

Значение \(R^2\), используемое при вызове score на регрессоре, использует multioutput='uniform_average' начиная с версии 0.23, чтобы соответствовать значению по умолчанию функции r2_score. Это влияет на метод score всех регрессоров с несколькими выходами (кроме MultiOutputRegressor).

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

Запрос метаданных, переданных в метод fit.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, см. Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в fit при наличии. 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 предоставит их.
• str: метаданные должны быть переданы в мета-оценщик с данным псевдонимом вместо оригинального имени.

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

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

Xyстрока, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра Xy в fit.

Возвращает:

selfобъект

Обновленный объект.

set_params(**params)[source]

Установить параметры данного оценщика.

Метод работает с простыми оценщиками, а также с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы было возможно обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_score_request(*, sample_weight:bool|None|str='$UNCHANGED$') → LarsCV[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 по тому, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются методу score при наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их методу score.
• None: метаданные не запрашиваются, и мета-оценщик выведет ошибку, если пользователь предоставит их.
• str: метаданные должны быть переданы мета-оценщику с этим псевдонимом вместо исходного имени.

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

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого 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.