sklearn.linear_model.LassoCV

标签：spl   learn   copy   eps   put   extern   https   red   iter   

class sklearn.linear_model.LassoCV(eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, normalize=False, precompute=‘auto‘, max_iter=1000, tol=0.0001, copy_X=True, cv=None, verbose=False, n_jobs=None, positive=False, random_state=None, selection=‘cyclic‘)

沿着正则化路径迭代拟合的Lasso模型。

最佳模型由交叉验证得到。

目标函数

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

参数（Parameters）

• eps：float, optional

　　路径长度。eps=1e-3即alpha_min / alpha_max = 1e-3。

• n_alphas：int, optional

　　正则化路径中alpha的个数。

• alphas：numpy array, optional

　　alpha组成的list。如果为None，自动选择alpha。

• fit_intercept：boolean, default True

　　是否计算截距。如果为False，对数据进行去中心化处理。

• normalize：boolean, optional, default False

　　当fit_intercept=False时，该参数忽略。如果为normalize=True，使用回归模型之前先对回归数据X进行去均值和除以l2范数的处理。如果要对数据X进行标准化，令normalize=False，并在调用fit方法之前，使用sklearn.preprocessing.StandardScaler进行标准化。

• precompute：True | False | ‘auto’ | array-like

　　是否使用事先计算好的Gram矩阵来加速模型计算。如果precompute=‘auto‘，让程序自动决定。Gram矩阵可以作为参数被传递。对于稀疏数据，通常令precompute=True，保留稀疏性。

• max_iter：int, optional

　　最大迭代次数。

• tol：float, optional

　　优化容忍度：如果更新大于tol，继续优化，直到小于tol。

• copy_X：boolean, optional, default True

　　如果copy_X=True，复制X；如果copy_X=False，覆盖上次运行的X。

• cv：int, cross-validation generator or an iterable, optional

　　确定交叉验证划分策略。

• • None：使用默认的5折
  • integer：折数
  • CV splitter
  • (train, test)划分数组
• verbose：bool or integer

　　输出的详细程度。

• n_jobs：int or None, optional (default=None)

　　交叉验证时使用的CPU个数。

• None：1个CPU（不包括使用joblib.parallel_backend）

• -1：所有CPU
• positive：bool, optional

　　如果positive=True，强制将系数设为正数。

• random_state：int, RandomState instance or None, optional, default None

　　伪随机数发生器种子，随机选择特征来更新模型。如果为int，random_state即为随机数发生器使用的种子；如果为RandomState实例，random_state即为随机数发生器；如果为None，随机数发生器为np.random使用的随机数发生器实例。该参数仅当selection=‘random’时使用。

• selection：str, default ‘cyclic’

　　如果为‘random’，每次迭代都会更新随机系数，而不是按顺序遍历每个特征。该参数值可以使得算法更快收敛，尤其当tol>1e-4时。

属性（Attributes）

• alpha_：float

　　交叉验证选择的惩罚项个数。

• coef_：array, shape (n_features,) | (n_targets, n_features)

　　系数向量。目标函数中的w。

• intercept_：float | array, shape (n_targets,)

　　决策函数的依赖项。

• mse_path_：array, shape (n_alphas, n_folds)

　　每一个alpha、每一折交叉验证的测试集均方误差。

• alphas_：numpy array, shape (n_alphas,)

　　alpha网格。

• dual_gap_：ndarray, shape ()

　　最佳alpha（alpha_）优化结束时的dual gap。

• n_iter_：int 

　　坐标下降法求解达到容忍度时的迭代次数。

注意

为避免不必要的内存占用，X应为numpy数组。

方法（Methods）

• fit(self, X, y)：使用坐标下降法拟合模型。
• get_params(self[, deep])：获得Lasso模型的参数。
• path(X, y[, eps, n_alphas, alphas, …])：使用坐标下降法计算Lasso path。
• predict(self, X)：模型预测。
• score(self, X, y[, sample_weight])：返回预测误差。
• set_params(self, \*\*params)：设置估计器的参数。

sklearn.linear_model.LassoCV

标签：spl   learn   copy   eps   put   extern   https   red   iter   

原文地址：https://www.cnblogs.com/happypeak/p/12487856.html