LassoLars

classsklearn.linear_model.LassoLars(alpha=1.0, *, fit_intercept=True, verbose=False, precompute='auto', max_iter=500, eps=np.float64(2.220446049250313e-16), copy_X=True, fit_path=True, positive=False, jitter=None, random_state=None)[source]

Модель Лассо, обученная с помощью метода наименьших углов (Least Angle Regression, a.k.a. Lars).

Это линейная модель, обученная с L1-постоянной как регуляризатором.

Целевая функция оптимизации для Лассо:

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

Подробнее см. в Руководстве пользователя.

Параметры:

alphafloat, по умолчанию=1.0

Постоянная, которая умножает член штрафа. По умолчанию 1.0. alpha = 0 эквивалентно обычной задаче наименьших квадратов, решаемой с помощью LinearRegression. По численным причинам использование alpha = 0 с объектом LassoLars не рекомендуется, и следует предпочесть объект LinearRegression.

fit_interceptbool, по умолчанию=True

Вычислять ли свободный член для этой модели. Если установлено 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 вывода.

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

Использовать ли предварительно вычисленную матрицу Грама для ускорения вычислений. Если установлено значение 'auto', мы решим. Матрица Грама также может быть передана в качестве аргумента.

max_iterint, по умолчанию=500

Максимальное количество итераций.

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 итерационных алгоритмах оптимизации, этот параметр не контролирует толерантность оптимизации.

copy_Xbool, по умолчанию=True

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

fit_pathbool, по умолчанию=True

Если True, весь путь хранится в атрибуте coef_path_. Если вы вычисляете решение для большой задачи или многих целевых переменных, установка fit_path в значение False ускорит процесс, особенно при малом значении alpha.

positivebool, по умолчанию=False

Ограничить коэффициенты значением >= 0. Имейте в виду, что вам может потребоваться удалить fit_intercept, которое по умолчанию установлено в True. При ограничении положительностью коэффициенты модели не сходятся к решению обычных наименьших квадратов для малых значений alpha. Только коэффициенты до наименьшего значения alpha (alphas_[alphas_ > 0.].min() когда fit_path=True), достигнутые алгоритмом пошагового Лассо-Lars, обычно согласуются с решением оценщика Лассо методом координатного спуска.

jitterfloat, по умолчанию=None

Верхняя граница параметра шума, равномерно добавляемого к значениям y, для удовлетворения предположения модели о вычислениях по одному элементу за раз. Может помочь с устойчивостью.

Добавлен в версии 0.23.

random_stateint, экземпляр RandomState или None, по умолчанию=None

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

Добавлен в версии 0.23.

Атрибуты:

alphas_массив-подобный размера (n_alphas + 1,) или список таких массивов

Максимальные значения ковариаций (по абсолютному значению) на каждой итерации. n_alphas либо max_iter, n_features, либо количество узлов в пути с alpha >= alpha_min, в зависимости от наименьшего значения. Если это список массивов, длина внешнего списка равна n_targets.

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_path_массив-подобный размера (n_features, n_alphas + 1) или список таких массивов

Если передаётся список, ожидается, что это один из n_targets таких массивов. Переменные значения коэффициентов вдоль пути. Отсутствует, если параметр fit_path равен False. Если это список массивов, длина внешнего списка равна n_targets.

coef_массив-подобный размера (n_features,) или (n_targets, n_features)

Вектор параметров (w в формулировке).

intercept_float или массив-подобный размера (n_targets,)

Свободный член в функции принятия решений.

n_iter_массив-подобный или целое число

Количество итераций, выполненных lars_path для нахождения сетки значений alpha для каждой целевой переменной.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив numpy формы (n_features_in_,)

Имена признаков, увиденные во время fit. Определяются только тогда, когда X имеет имена признаков, которые являются строками.

Добавлен в версии 1.0.

См. также

lars_path

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

lasso_path

Вычисление пути Лассо с помощью координатного спуска.

Lasso

Линейная модель, обученная с L1-постоянной как регуляризатором (также известная как Лассо).

LassoCV

Линейная модель Лассо с итеративным подбором вдоль пути регуляризации.

LassoLarsCV

Модель Лассо с перекрестной проверкой, используя алгоритм LARS.

LassoLarsIC

Модель Лассо, обученная с помощью LARS, используя BIC или AIC для выбора модели.

sklearn.decomposition.sparse_encode

Разложение с разреженностью.

Примеры

>>> 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.         -0.955...]

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

Обучить модель с использованием X, y в качестве обучающих данных.

Параметры:

Xмассив-подобный размера (n_samples, n_features)

Обучающие данные.

yмассив-подобный размера (n_samples,) или (n_samples, n_targets)

Целевые значения.

Xyмассив-подобный размера (n_features,) или (n_features, n_targets), по умолчанию=None

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

Возвращает:

selfобъект

Возвращает экземпляр self.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

См. Руководство пользователя по тому, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest объект, содержащий информацию о маршрутизации.

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:

paramsdict

Имена параметров, сопоставленные со значениями.

predict(X)[source]

Предсказать 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(). Лучший возможный результат равен 1,0, и он может быть отрицательным (потому что модель может быть произвольно хуже). Постоянная модель, которая всегда предсказывает ожидаемое значение y, не учитывая входные признаки, получит значение \(R^2\) равное 0,0.

Параметры:

Xмассив формы (n_samples, n_features)

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

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

Истинные значения для X.

sample_weightмассив формы (n_samples,), по умолчанию=None

Веса образцов.

Возвращает:

scorefloat

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

Примечания

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

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

Запрос метаданных, переданных методу fit.

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

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются 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 их предоставит.
• str: метаданные должны передаваться мета-оценщику с этим псевдонимом вместо оригинального имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменить запрос для некоторых параметров и не для других.

Добавлена в версии 1.3.

Примечание

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

Параметры:

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

Маршрутизация метаданных для параметра Xy в fit.

Возвращает:

selfobject

Обновлённый объект.

set_params(**params)[source]

Установить параметры этого оценщика.

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

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

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

Запрос метаданных, переданных методу score.

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: запрашиваются метаданные, и передаются методу score, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-эстиматор не передаст их методу score.
• None: метаданные не запрашиваются, и мета-эстиматор выдаст ошибку, если пользователь их предоставит.
• str: метаданные должны быть переданы мета-эстиматору с этим псевдонимом вместо исходного 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 в случае использования данного эстиматора в качестве подэстиматора 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

Обновленный объект.