(sklearn)lasso回归linear_model.Lasso()方法

class sklearn.linear_model.Lasso(alpha=1.0, fit_intercept=True, normalize=False, precompute=False, copy_X=True, max_iter=1000, tol=0.0001,warm_start=False, positive=False, random_state=None, selection=’cyclic’)

Lasso回归和岭回归的区别在于它的惩罚项是基于L1的范数，因此，它可以将系数控制收缩到0，从而达到变量选择的效果。

参数：

alpha :α值。
fit_intercept：一个布尔值，制定是否需要b值。
max_iter：一个整数，指定最大迭代数。
normalize：一个布尔值。如果为True，那么训练样本会在回归之前会被归一化。
copy_X：一个布尔值。如果为True，会复制X，否则会覆盖X。
tol：一个浮点数，指定判断迭代收敛与否的一个阈值。
warm_start：一个布尔值。如果为True，那么使用前一次训练结果继续训练，否则从头开始训练。
positive：一个布尔值。如果为True，那么强制要求权重向量的分量都为整数。

selection：一个字符串，可以选择‘cyclic’或者‘random’。它指定了当每轮迭代的时候，选择权重向量的哪个分量来更新。

• ‘ramdom’：更新的时候，随机选择权重向量的一个分量来更新。
• ‘cyclic’：更新的时候，从前向后一次选择权重向量的一个分量来更新。

random_state：一个整数或者一个RandomState实例，或者None。

• 如果为整数，则它指定了随机数生成器的种子。
  
• 如果为RandomState实例，则指定了随机数生成器。
  
• 如果为None，则使用默认的随机数生成器。 

返回值

coef_：权重向量。

intercept：b值。

n_iter_：实际迭代次数。

方法

fix(X,y[,sample_weight])： 训练模型。

predict(X)：用模型进行预测，返回预测值。

score(X,y[,sample_weight])：返回预测性能的得分，不大于1，越大效果越好。

get_params（[deep]）：获取此估计器的参数。
set_params（** params）： 设置此估计器的参数。

官方说明：http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Lasso.html