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)[источник]

Модель Lasso, обученная методом регрессии наименьших углов (LARS).

Это линейная модель, обученная с априорным распределением L1 в качестве регуляризатора.

Целевая функция оптимизации для Lasso:

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

Подробнее см. в руководстве пользователя.

Параметры:

alphafloat, default=1.0

Константа, умножающая штрафной член. По умолчанию равна 1.0. alpha = 0 эквивалентно обычному методу наименьших квадратов, вычисляемому с помощью LinearRegression. По численным соображениям не рекомендуется использовать alpha = 0 с объектом LassoLars; вместо него следует предпочесть объект LinearRegression.

fit_interceptbool, default=True

Следует ли вычислять свободный член для этой модели. Если задано значение False, свободный член не будет использоваться в вычислениях (то есть предполагается, что данные центрированы).

verbosebool or int, default=False

Задает уровень подробности вывода.

precomputebool, ‘auto’ or array-like, default=’auto’

Следует ли использовать предварительно вычисленную матрицу Грама для ускорения вычислений. Если задано значение 'auto', решение будет принято автоматически. Матрицу Грама также можно передать в качестве аргумента.

max_iterint, default=500

Максимальное число выполняемых итераций.

epsfloat, default=np.finfo(float).eps

Регуляризация с машинной точностью при вычислении диагональных множителей Холецкого. Увеличьте это значение для систем с очень плохой обусловленностью. В отличие от параметра tol в некоторых алгоритмах итерационной оптимизации, этот параметр не задает допуск оптимизации.

copy_Xbool, default=True

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

fit_pathbool, default=True

Если True, полный путь сохраняется в атрибуте coef_path_. Если вы вычисляете решение для большой задачи или множества целевых переменных, установка fit_path в False ускорит вычисления, особенно при малом alpha.

positivebool, default=False

Ограничить коэффициенты значениями >= 0. Обратите внимание: возможно, потребуется отключить fit_intercept, который по умолчанию равен True. При ограничении положительности коэффициенты модели не будут сходиться к решению метода наименьших квадратов при малых значениях alpha. Как правило, с решением оценщика Lasso на основе координатного спуска согласуются только коэффициенты вплоть до наименьшего значения alpha (alphas_[alphas_ > 0.].min() при fit_path=True), достигнутого пошаговым алгоритмом Lars-Lasso.

jitterfloat, default=None

Верхняя граница параметра равномерного шума, добавляемого к значениям y, чтобы соблюдалось предположение модели о последовательных вычислениях по одному. Может повысить стабильность.

Добавлено в версии 0.23.

random_stateint, RandomState instance or None, default=None

Определяет генерацию случайных чисел для добавления возмущения. Передайте целое число, чтобы обеспечить воспроизводимость результатов при нескольких вызовах функции. См. глоссарий. Не используется, если jitter равен None.

Добавлено в версии 0.23.

Атрибуты:

alphas_array-like of shape (n_alphas + 1,) or list of such arrays

Максимум ковариаций (по абсолютному значению) на каждой итерации. n_alphas равен max_iter, n_features или числу узлов в пути с alpha >= alpha_min — в зависимости от того, какое значение меньше. Если это список объектов array-like, длина внешнего списка равна n_targets.

active_list of length n_alphas or list of such lists

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

coef_path_array-like of shape (n_features, n_alphas + 1) or list of such arrays

Если передан список, ожидается, что он содержит n_targets таких массивов. Изменение значений коэффициентов вдоль пути. Атрибут отсутствует, если параметр fit_path имеет значение False. Если это список объектов array-like, длина внешнего списка равна n_targets.

coef_array-like of shape (n_features,) or (n_targets, n_features)

Вектор параметров (w в формуле).

intercept_float or array-like of shape (n_targets,)

Свободный член функции принятия решения.

n_iter_array-like or int

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

n_features_in_int

Число признаков, обнаруженных при вызове fit.

Добавлено в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

Имена признаков, обнаруженных при вызове fit. Определяется только в том случае, если X содержит имена признаков, представленные строками.

Добавлено в версии 1.0.

См. также

lars_path

Вычисление пути регрессии наименьших углов или Lasso с использованием алгоритма LARS.

lasso_path

Вычисление пути Lasso с помощью координатного спуска.

Lasso

Линейная модель, обученная с априорным распределением L1 в качестве регуляризатора (также известная как Lasso).

LassoCV

Линейная модель Lasso с итерационным обучением вдоль пути регуляризации.

LassoLarsCV

Lasso с кросс-валидацией, использующая алгоритм LARS.

LassoLarsIC

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

sklearn.decomposition.sparse_encode

Разреженное кодирование.

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)[источник]

Обучение модели на данных X, y.

Параметры:

Xarray-like of shape (n_samples, n_features)

Обучающие данные.

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

Целевые значения.

Xyarray-like of shape (n_features,) or (n_features, n_targets), default=None

Xy = np.dot(X.T, y), значение можно вычислить заранее. Полезно только при предварительном вычислении матрицы Грама.

Возвращает:

selfobject

Возвращает экземпляр self.

get_metadata_routing()[источник]

Получение маршрутизации метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[источник]

Получение параметров этого оценщика.

Параметры:

deepbool, default=True

Если True, будут возвращены параметры этого оценщика и вложенных объектов-оценщиков.

Возвращает:

paramsdict

Имена параметров, сопоставленные их значениям.

predict(X)[источник]

Предсказание с помощью линейной модели.

Параметры:

Xarray-like or sparse matrix of shape (n_samples, n_features)

Образцы.

Возвращает:

Cndarray of shape (n_samples,) or (n_samples, n_outputs)

Предсказанные значения.

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

Возвращает коэффициент детерминации на тестовых данных.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — сумма квадратов остатков ((y_true - y_pred)** 2).sum(), а \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Наилучшее возможное значение равно 1.0; оценка может быть отрицательной (поскольку модель может работать сколь угодно плохо). Константная модель, всегда предсказывающая ожидаемое значение y и не учитывающая входные признаки, получит оценку \(R^2\), равную 0.0.

Параметры:

Xarray-like of shape (n_samples, n_features)

Тестовые образцы. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список универсальных объектов с формой (n_samples, n_samples_fitted), где n_samples_fitted — число образцов, использованных при обучении 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.

Возвращает:

scorefloat

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

Примечания

Оценка \(R^2\), используемая при вызове score для регрессора, начиная с версии 0.23 использует multioutput='uniform_average', чтобы соответствовать значению по умолчанию r2_score. Это влияет на метод score всех регрессоров с несколькими выходами (за исключением MultiOutputRegressor).

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

Настройка запроса на передачу метаданных методу fit.

Обратите внимание: этот метод имеет значение, только когда данный оценщик используется как вложенный оценщик в составе метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Доступны следующие варианты для каждого параметра:

• True: запрашиваются метаданные, и, если они переданы, направляются в fit. Если метаданные не переданы, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не будет передавать их в fit.
• None: метаданные не запрашиваются, и метаоценщик вызовет ошибку, если пользователь их передаст.
• str: метаданные должны передаваться метаоценщику под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменять запрос для одних параметров, не меняя его для остальных.

Добавлено в версии 1.3.

Параметры:

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

Маршрутизация метаданных для параметра Xy в fit.

Возвращает:

selfobject

Обновленный объект.

set_params(**params)[источник]

Задание параметров этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). У последних параметры имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfestimator instance

Экземпляр оценщика.

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

Настройка запроса на передачу метаданных методу score.

Обратите внимание: этот метод имеет значение, только когда данный оценщик используется как вложенный оценщик в составе метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Доступны следующие варианты для каждого параметра:

• True: запрашиваются метаданные, и, если они переданы, направляются в score. Если метаданные не переданы, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не будет передавать их в score.
• None: метаданные не запрашиваются, и метаоценщик вызовет ошибку, если пользователь их передаст.
• str: метаданные должны передаваться метаоценщику под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменять запрос для одних параметров, не меняя его для остальных.

Добавлено в версии 1.3.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfobject

Обновленный объект.