class
sklearn.linear_model.LassoCV(eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, normalize=False, precompute='auto', max_iter=1000, tol=0.0001, copy_X=True, cv=None, verbose=False, n_jobs=None, positive=False, random_state=None, selection='cyclic')
沿着正則化路徑迭代擬合的Lasso模型。
最佳模型由交叉驗證得到。
目標函數
(1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1
參數（Parameters）
- eps：float, optional
路徑長度。eps=1e-3即alpha_min / alpha_max = 1e-3。
- n_alphas：int, optional
正則化路徑中alpha的個數。
- alphas：numpy array, optional
alpha組成的list。如果為None，自動選擇alpha。
- fit_intercept：boolean, default True
是否計算截距。如果為False，對數據進行去中心化處理。
- normalize：boolean, optional, default False
當fit_intercept=False時，該參數忽略。如果為normalize=True，使用回歸模型之前先對回歸數據X進行去均值和除以l2范數的處理。如果要對數據X進行標准化，令normalize=False，並在調用fit方法之前，使用sklearn.preprocessing.StandardScaler進行標准化。
- precompute：True | False | ‘auto’ | array-like
是否使用事先計算好的Gram矩陣來加速模型計算。如果precompute='auto'，讓程序自動決定。Gram矩陣可以作為參數被傳遞。對於稀疏數據，通常令precompute=True，保留稀疏性。
- max_iter：int, optional
最大迭代次數。
- tol：float, optional
優化容忍度：如果更新大於tol，繼續優化，直到小於tol。
- copy_X：boolean, optional, default True
如果copy_X=True，復制X；如果copy_X=False，覆蓋上次運行的X。
- cv：int, cross-validation generator or an iterable, optional
確定交叉驗證划分策略。
-
- None：使用默認的5折
- integer：折數
- CV splitter
- (train, test)划分數組
- verbose：bool or integer
輸出的詳細程度。
- n_jobs：int or None, optional (default=None)
交叉驗證時使用的CPU個數。
- None：1個CPU（不包括使用
joblib.parallel_backend） - -1：所有CPU
- positive：bool, optional
如果positive=True，強制將系數設為正數。
- random_state：int, RandomState instance or None, optional, default None
偽隨機數發生器種子，隨機選擇特征來更新模型。如果為int，random_state即為隨機數發生器使用的種子；如果為RandomState實例，random_state即為隨機數發生器；如果為None，隨機數發生器為np.random使用的隨機數發生器實例。該參數僅當selection=‘random’時使用。
- selection：str, default ‘cyclic’
如果為‘random’，每次迭代都會更新隨機系數，而不是按順序遍歷每個特征。該參數值可以使得算法更快收斂，尤其當tol>1e-4時。
屬性（Attributes）
- alpha_：float
交叉驗證選擇的懲罰項。
- coef_：array, shape (n_features,) | (n_targets, n_features)
系數向量。目標函數中的w。
- intercept_：float | array, shape (n_targets,)
決策函數的依賴項。
- mse_path_：array, shape (n_alphas, n_folds)
每一個alpha、每一折交叉驗證的測試集均方誤差。
- alphas_：numpy array, shape (n_alphas,)
alpha網格。
- dual_gap_：ndarray, shape ()
最佳alpha（alpha_）優化結束時的dual gap。
- n_iter_：int
坐標下降法求解達到容忍度時的迭代次數。
注意
為避免不必要的內存占用，X應為numpy數組。
方法（Methods）
fit(self, X, y)：使用坐標下降法擬合模型。get_params(self[, deep])：獲得Lasso模型的參數。path(X, y[, eps, n_alphas, alphas, …])：使用坐標下降法計算Lasso path。predict(self, X)：模型預測。score(self, X, y[, sample_weight])：返回預測誤差。set_params(self, \*\*params)：設置估計器的參數。