共计 1454 个字符，预计需要花费 4 分钟才能阅读完成。
回归算法最小角回归（LARS）通过高维数据的线性组合提供变量。它与正向逐步回归无关。在这种办法中，在每个步骤中抉择最相干的变量，其方向在两个预测因子之间是等角的。
在本教程中，咱们将学习如何用 Python 中的 LARS 和 Lasso Lars 算法拟合回归数据。咱们将在本教程中预计住房数据集。这篇文章包含
- 筹备数据
- 如何应用 LARS
- 如何应用 Lasso LARS
让咱们从加载所需的包开始。
from sklearn import linear_model筹备数据
咱们将加载波士顿的数据集，并将其分成训练和测试两局部。
boston = load_boston()
xtrain, xtest, ytrain, ytest=train\_test\_split(x, y, test_size=0.15)如何应用 LARS
咱们将用 Lars() 类定义模型（有默认参数），并用训练数据来拟合它。
Lars().fit(xtrain, ytrain) 并查看模型的系数。
print(lars.coef_)
\[-1.16800795e-01 1.02016954e-02 -2.99472206e-01 4.21380667e+00
-2.18450214e+01 4.01430635e+00 -9.90351759e-03 -1.60916999e+00
-2.32195752e-01 2.80140313e-02 -1.08077980e+00 1.07377184e-02
-5.02331702e-01\] 接下来，咱们将预测测试数据并查看 MSE 和 RMSE 指标。
mean\_squared\_error(ytest, ypred)
print("MSE: %.2f" % mse)
MSE: 36.96
print("RMSE: %.2f" % sqrt(mse))
RMSE: 6.08 最初，咱们将创立绘图，使原始数据和预测数据可视化。
plt.show()
如何应用 Lasso Lars
LassoLars 是 LARS 算法与 Lasso 模型的一个实现。咱们将用 LassoLars() 类定义模型，将 α 参数设置为 0.1，并在训练数据上拟合模型。
LassoLars(alpha =.1).fit(xtrain, ytrain) 咱们能够查看系数。
print(coef_)
\[ 0. 0. 0. 0. 0. 3.00873485
0. 0. 0. 0. -0.28423008 0.
-0.42849354\] 接下来，咱们将预测测试数据并查看 MSE 和 RMSE 指标。
predict(xtest)
print("MSE: %.2f" % mse)
MSE: 45.59
print("RMSE: %.2f" % sqrt(mse))
RMSE: 6.75 最初，咱们将创立绘图，使原始数据和预测数据可视化。
plt.show()
在本教程中，咱们曾经简略理解了如何用 LARS 和 Lasso Lars 算法来拟合和预测回归数据。
参考文献
- Least Angle Regression, _by Efron Bradley; Hastie Trevor; Johnstone Iain; Tibshirani Robert (2004)_
- Least-Angel Regression, Wikipedia
正文完