`sklearn.linear_model`.LarsCV¶

class sklearn.linear_model.LarsCV¶

Modelo de Regresión de Ángulo Mínimo con validación cruzada.

Ver entrada de glosario para cross-validation estimator.

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).

verbosebooleano o entero, default=False

Establece la cantidad de verbosidad.

max_iterint, default=500

Número máximo de iteraciones a realizar.

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 Gram precalculada para acelerar los cálculos. Si se establece como automática, nosotros decidimos. La matriz de Gram no se puede pasar como argumento ya que sólo utilizaremos subconjuntos de X.

cvint, generador de validación cruzada o un iterable, default=None

Determina la estrategia de división de la validación cruzada. Las entradas posibles para cv son:

None, para utilizar la validación cruzada de 5-pliegues(fold) por defecto,
entero(int), para especificar el número de pliegues.
separador de CV,
Un iterable que produce divisiones (train, test) como arreglos de índices.

Para las entradas enteras(int)/nulas(None), se utiliza KFold.

Consulta Manual de usuario para las diversas estrategias de validación cruzada que pueden ser utilizadas aquí.

Distinto en la versión 0.22: cv es el valor predeterminado si None cambió de 3 pliegues a 5 pliegues.

max_n_alphasint, default=1000

El número máximo de puntos en la ruta utilizado para calcular los residuos en la validación cruzada

n_jobsint o None, default=None

Número de CPUs a utilizar durante la validación cruzada. None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa utilizar todos los procesadores. Ver Glosario para más detalles.

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

La regularización de máquina-precisión en el cálculo de los factores diagonales de Cholesky. Aumente 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 ser sobrescrito.

Atributos

active_lista de longitud 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_array-like de forma (n_features,): vector de parámetros (w en la formulación de la fórmula)
intercept_float: término independiente en la función de decisión
coef_path_array-like de forma (n_features, n_alphas): los valores variables de los coeficientes a lo largo del recorrido
alpha_float: el parámetro de regularización estimado alpha
alphas_array-like de forma (n_alphas,): los diferentes valores de alfa a lo largo del recorrido
cv_alphas_array-like de forma (n_cv_alphas,): todos los valores de alfa a lo largo del recorrido para los diferentes pliegues
mse_path_array-like de forma (n_folds, n_cv_alphas): el error cuadrático medio en la salida para cada pliegue a lo largo del recorrido (valores alfa dados por cv_alphas)
n_iter_array-like o int: el número de iteraciones ejecutadas por Lars con el alfa óptimo.

Ver también

lars_path, LassoLars, LassoLarsCV

Ejemplos

>>> from sklearn.linear_model import LarsCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_samples=200, noise=4.0, random_state=0)
>>> reg = LarsCV(cv=5).fit(X, y)
>>> reg.score(X, y)
0.9996...
>>> reg.alpha_
0.0254...
>>> reg.predict(X[:1,])
array([154.0842...])

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,): Valores objetivo.

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.