标签：通过 独立 返回 坐标 mic 线性模型 离散 坐标下降 分布
参数:
fit_intercept : 布尔值
是否计算此模型的截距。 如果设置为false，则计算中不会使用截距（例如，如果数据已居中）。
verbose : 布尔值或整数可选
设置详细度
max_iter：整数，可选
要执行的最大迭代次数。
normalize：布尔值，可选，默认为True
当fit_intercept设置为False时，该参数将被忽略。 如果为真，则回归前的回归量X将通过减去平均值并除以l2-范数而归一化。
如果您自己想要标准化，请在调用fit到一个带有normalize=False估计器之前使用sklearn.preprocessing.StandardScaler。
precompute : True | False | ‘auto’
是否使用预先计算的Gram矩阵来加速计算。
cv：int，交叉验证生成器或迭代器，可选的
确定交叉验证拆分策略。 cv可能的输入是：
a）None，使用默认的3折交叉验证，
b）Integer，以指定折叠的数量。
c）一个要用作交叉验证生成器的对象。
d）一个迭代生产的训练/测试分割。
对于整数/无输入，使用KFold。
eps：float，可选 Cholesky对角线因子计算中的机器精度正则化。 对于有很严重病态的系统增加这个。（修正值）
positive : boolean (default=False)
将系数限制为> = 0。此种情况下，对于小α值，模型系数不收敛于普通最小二乘解。
仅仅达到由逐步的Lars-Lasso算法确定的α值中的最小值的系数通常与坐标下降Lasso估计的解相一致。
因此，使用LassoLarsCV只适用于期望并得到或者得到稀疏解（系数分布离散度大）的问题。
属性：
coef_：数组，形状（n_features，）
参数矢量
intercept_：浮点
决策函数的独立项。
coef_path_：数组，形状（n_features，n_alphas）
沿着路径的系数的变化值
alpha_：float
被估计的正则参数α
alphas_：数组，形状（n_alphas，）
沿着路径的不同α值
cv_alphas_：数组，形状（n_cv_alphas，）
沿着不同折路径的所有alpha值
n_iter_：类似数组或int
利用最佳alpha值通过Lars算法运行的迭代次数。
方法：
fit（X，y）使用X，y作为训练数据来拟合模型。
get_params（[deep]）获取此估算器的参数。
Predict（X）使用线性模型进行预测
score（X，y [，sample_weight]）返回预测的决定系数R ^ 2。
其中分别为真实值、真实值均值和预测值。
set_params（** params）设置此估算器的参数。
标签：通过 独立 返回 坐标 mic 线性模型 离散 坐标下降 分布
原文地址：https://www.cnblogs.com/dinol/p/11615997.html
