原文链接：http://tecdat.cn/?p=23178

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
 

  1. 筹备数据
  2. 如何应用LARS
  3. 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: 36.96print("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: 45.59print("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

  1. Least Angle Regression, _by Efron Bradley; Hastie Trevor; Johnstone Iain; Tibshirani Robert (2004)_
  2. Least-Angel Regression, Wikipedia

最受欢迎的见解

1.R语言多元Logistic逻辑回归 利用案例

2.面板平滑转移回归(PSTR)剖析案例实现

3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）

4.R语言泊松Poisson回归模型剖析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度测验

6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

7.在R语言中实现Logistic逻辑回归

8.python用线性回归预测股票价格

9.R语言如何在生存剖析与Cox回归中计算IDI，NRI指标