LassoLarsCV算法参数

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。