lars_path#

sklearn.linear_model.lars_path(X, y, Xy=None, *, Грам=None, max_iter=500, alpha_min=0, метод=2.3.8.1. Граф взаимной достижимости, copy_X=True, eps=np.float64(2.220446049250313e-16), copy_Gram=True, verbose=0, return_path=True, return_n_iter=False, положительный=False)[источник]#

Вычисляет путь Least Angle Regression или Lasso с использованием алгоритма LARS.

Целевая функция оптимизации для случая method='lasso':

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

в случае method=’lar’, целевая функция известна только в виде неявного уравнения (см. обсуждение в [1]).

Подробнее в Руководство пользователя.

Параметры:
XNone или ndarray формы (n_samples, n_features)

Входные данные. Если X None, матрица Грама также должна быть None. Если доступна только матрица Грама, используйте lars_path_gram вместо этого.

yNone или ndarray формы (n_samples,)

Входные целевые значения.

Xyarray-like формы (n_features,), по умолчанию=None

Xy = X.T @ y который может быть предварительно вычислен. Это полезно только когда матрица Грама предварительно вычислена.

ГрамNone, ‘auto’, bool, ndarray формы (n_features, n_features), по умолчанию=None

Предвычисленная матрица Грама X.T @ X, если 'auto', матрица Грама предварительно вычисляется из заданного X, если количество образцов больше количества признаков.

max_iterint, по умолчанию=500

Максимальное количество итераций для выполнения, установлено в бесконечность для отсутствия ограничения.

alpha_minfloat, по умолчанию=0

Минимальная корреляция вдоль пути. Соответствует параметру регуляризации alpha в Lasso.

метод{'lar', 'lasso'}, по умолчанию='lar'

Определяет возвращаемую модель. Выберите 'lar' для регрессии наименьшего угла, 'lasso' для Lasso.

copy_Xbool, по умолчанию=True

Если False, X перезаписывается.

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

Регуляризация с машинной точностью в вычислении диагональных факторов Холецкого. Увеличьте это для очень плохо обусловленных систем. В отличие от tol параметр в некоторых итеративных алгоритмах на основе оптимизации, этот параметр не контролирует допуск оптимизации.

copy_Grambool, по умолчанию=True

Если False, Gram перезаписывается.

verboseint, по умолчанию=0

Управляет уровнем детализации вывода.

return_pathbool, по умолчанию=True

Если True, возвращает весь путь, иначе возвращает только последнюю точку пути.

return_n_iterbool, по умолчанию=False

Возвращать ли количество итераций.

положительныйbool, по умолчанию=False

Ограничить коэффициенты >= 0. Эта опция разрешена только с методом 'lasso'. Обратите внимание, что коэффициенты модели не будут сходиться к решению обычного метода наименьших квадратов для малых значений alpha. Только коэффициенты до наименьшего значения alpha (alphas_[alphas_ > 0.].min() когда fit_path=True), достигнутые пошаговым алгоритмом Lars-Lasso, обычно соответствуют решению координатного спуска lasso_path функция.

Возвращает:
альфыndarray формы (n_alphas + 1,)

Максимум ковариаций (по абсолютному значению) на каждой итерации. n_alphas является либо max_iter, n_features, или количество узлов в пути с alpha >= alpha_min, в зависимости от того, что меньше.

активныйndarray формы (n_alphas,)

Индексы активных переменных в конце пути.

coefsndarray формы (n_features, n_alphas + 1)

Коэффициенты вдоль пути.

n_iterint

Количество выполненных итераций. Возвращается только если return_n_iter установлен в True.

Смотрите также

lars_path_gram

Вычислить путь LARS в режиме достаточной статистики.

lasso_path

Вычислить путь Lasso с координатным спуском.

LassoLars

Модель Lasso, обученная с использованием метода наименьших углов, также известного как Lars.

Lars

Модель регрессии с наименьшим углом, также известная как LAR.

LassoLarsCV

Лассо с кросс-валидацией, использующий алгоритм LARS.

LarsCV

Кросс-валидированная модель регрессии наименьшего угла.

sklearn.decomposition.sparse_encode

Разреженное кодирование.

Ссылки

[1]

“Least Angle Regression”, Efron et al. http://statweb.stanford.edu/~tibs/ftp/lars.pdf

Примеры

>>> from sklearn.linear_model import lars_path
>>> from sklearn.datasets import make_regression
>>> X, y, true_coef = make_regression(
...    n_samples=100, n_features=5, n_informative=2, coef=True, random_state=0
... )
>>> true_coef
array([ 0.        ,  0.        ,  0.        , 97.9, 45.7])
>>> alphas, _, estimated_coef = lars_path(X, y)
>>> alphas.shape
(3,)
>>> estimated_coef
array([[ 0.     ,  0.     ,  0.     ],
       [ 0.     ,  0.     ,  0.     ],
       [ 0.     ,  0.     ,  0.     ],
       [ 0.     , 46.96, 97.99],
       [ 0.     ,  0.     , 45.70]])
На этой странице