sklearn.linear_model.Lars

class sklearn.linear_model.Lars

Modelo de Regresión de Ángulo Mínimo también conocido como LAR

Más información en el Manual de usuario.

Parámetros

fit_interceptbool, default=True

Si se calcula el intercepto para este modelo. Si se establece en false, no se utilizará ningún intercepto en los cálculos (es decir, se espera que los datos estén centrados).

verbosebool o int, default=False

Establece la cantidad de verbosidad.

normalizebool, default=True

Este parámetro es ignorado cuando fit_intercept se establece como False. Si es True, los regresores X serán normalizados antes de la regresión restando la media y dividiendo por la norma l2. Si deseas estandarizar, por favor utiliza StandardScaler antes de llamar a fit en un estimador con normalize=False.

precomputebool, “auto” o array-like , default=”auto”

Si se utiliza una matriz de Gram precalculada para acelerar los cálculos. Si se establece como 'auto' podemos decidir. La matriz de Gram también se puede pasar como argumento.

n_nonzero_coefsint, default=500

Número objetivo de coeficientes distintos de cero. Utilice np.inf para no tener límite.

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

La regularización de máquina-precisión en el cálculo de los factores diagonales de Cholesky. Aumenta este parámetro para sistemas muy mal condicionados. A diferencia del parámetro tol en algunos algoritmos basados en la optimización iterativa, este parámetro no controla la tolerancia de la optimización.

copy_Xbool, default=True

Si es True, X se copiará; si no, puede sobrescribirse.

fit_pathbool, default=True

Si es True, la ruta completa se almacena en el atributo coef_path_. Si calculas la solución para un problema grande o muchos objetivos, establecer fit_path como False conducirá a una aceleración, especialmente con un alfa pequeño.

jitterfloat, default=None

Límite superior de un parámetro de ruido uniforme que se añadirá a los valores de y, para satisfacer la suposición del modelo de cálculos de uno en uno. Podría ayudar a la estabilidad.

Nuevo en la versión 0.23.

random_stateentero, instancia de RandomState o None, default=None

Determina la generación de números aleatorios para el jittering. Pasa un número entero (int) para una salida reproducible a través de múltiples llamadas a la función. Ver Glosario. Se ignora si jitter es None.

Nuevo en la versión 0.23.

Atributos

alphas_array-like de forma (n_alphas + 1,) o lista de dichos arreglos

Máximo de covarianzas (en valor absoluto) en cada iteración. n_alphas es max_iter, n_features o el número de nodos de la ruta con alpha >= alpha_min, lo que sea menor. Si se trata de una lista de array-like, la longitud de la lista exterior es n_targets.

active_lista(list) de forma (n_alphas,) o lista de tales listas

Índices de las variables activas al final de la ruta. Si se trata de una lista de listas, la longitud de la lista exterior es n_targets.

coef_path_array-like de forma (n_features, n_alphas + 1) o lista de dichos arrays

Los valores variables de los coeficientes a lo largo de la ruta. No está presente si el parámetro fit_path es False. Si se trata de una lista de array-like, la longitud de la lista exterior es n_targets.

coef_array-like de forma (n_features,) o (n_targets, n_features)

Vector de parámetros (w en la fórmula de formulación).

intercept_float o array-like de forma (n_targets,)

Término independiente en la función de decisión.

n_iter_array-like o int

El número de iteraciones que toma lars_path para encontrar la cuadrícula de alfas para cada objetivo.

Ver también

lars_path, LarsCV

sklearn.decomposition.sparse_encode

Ejemplos

>>> from sklearn import linear_model
>>> reg = linear_model.Lars(n_nonzero_coefs=1)
>>> reg.fit([[-1, 1], [0, 0], [1, 1]], [-1.1111, 0, -1.1111])
Lars(n_nonzero_coefs=1)
>>> print(reg.coef_)
[ 0. -1.11...]

Métodos

fit	Ajusta el modelo utilizando X, y como datos de entrenamiento.
get_params	Obtiene los parámetros para este estimador.
predict	Predice utilizando el modelo lineal.
score	Devuelve el coeficiente de determinación \(R^2\) de la predicción.
set_params	Establece los parámetros de este estimador.

fit()

Ajusta el modelo utilizando X, y como datos de entrenamiento.

Parámetros

Xarray-like de forma (n_samples, n_features)

Datos de entrenamiento.

yarray-like de forma (n_samples,) o (n_samples, n_targets)

Valores objetivo.

Xyarray-like de forma (n_samples,) o (n_samples, n_targets), default=None

Xy = np.dot(X.T, y) que puede ser precalculado. Es útil sólo cuando la matriz de Gram está precalculada.

Devuelve

selfobject

devuelve una instancia de sí misma.

get_params()

Obtiene los parámetros para este estimador.

Parámetros

deepbool, default=True

Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict

Nombres de parámetros mapeados a sus valores.

predict()

Predice utilizando el modelo lineal.

Parámetros

Xarray-like o matriz dispersa, forma (n_samples, n_features)

Muestras.

Devuelve

Carreglo, forma (n_samples,)

Devuelve los valores predichos.

score()

Devuelve el coeficiente de determinación \(R^2\) de la predicción.

El coeficiente \(R^2\) se define como \((1 - \frac{u}{v})\), donde \(u\) es la suma de cuadrados de los residuos ((y_true - y_pred) ** 2).sum() y \(v\) es la suma total de cuadrados ((y_true - y_true.mean()) ** 2).sum(). La mejor puntuación posible es 1.0 y puede ser negativa (porque el modelo puede ser arbitrariamente peor). Un modelo constante que siempre predice el valor esperado de y, sin tener en cuenta las características de entrada, obtendría una puntuación \(R^2\) de 0.0.

Parámetros

Xarray-like de forma (n_samples, n_features)

Muestras de prueba. Para algunos estimadores puede ser una matriz de núcleo precalculada o una lista de objetos genéricos en su lugar con forma (n_samples, n_samples_fitted), donde n_samples_fitted es el número de muestras utilizadas en el ajuste para el estimador.

yarray-like de forma (n_samples,) o (n_samples, n_outputs)

Valores verdaderos para X.

sample_weightarray-like de forma (n_samples,), default=None

Ponderaciones de la muestra.

Devuelve

scorefloat

\(R^2\) de self.predict(X) con respecto a y.

Notas

La puntuación \(R^2\) utilizada al llamar a score en un regresor utiliza multioutput='uniform_average' desde la versión 0.23 para mantener la consistencia con el valor predeterminado de r2_score. Esto influye en el método score de todos los regresores de salida múltiple (excepto para MultiOutputRegressor).

set_params()

Establece los parámetros de este estimador.

El método funciona tanto con estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict

Parámetros del estimador.

Devuelve

selfinstancia del estimador

Instancia del estimador.