sklearn自学指南(part12)--极小角回归及正交匹配追踪

学习笔记，仅供参考，有错必纠

---

文章目录

• • 线性模型
  • • 极小角回归(LARS)
    • LARS Lasso
    • • 数学表达式
    • 正交匹配追踪(OMP)

---

线性模型

极小角回归(LARS)

极小角度回归(LARS)是一种高维数据的回归算法，由Bradley Efron, Trevor Hastie, Iain Johnstone和Robert Tibshirani开发。LARS类似于正向逐步回归。每一步都找出与目标最相关的特征。当有多个具有相等相关性的特征时，它不是沿着同一特征继续，而是沿着特征之间的等角方向进行。

LARS的优点是：

• 在特征数量明显大于样本数量的情况下，它在数值上是有效的。
• 它的计算速度与正向选择一样快，复杂度与普通最小二乘相同。
• 它生成一个完整的分段线性解决方案路径，这在交叉验证或类似的调整模型的尝试中是有用的。
• 如果两个特征与目标的相关性几乎相等，那么它们的系数应该以近似相同的速率增加。因此，该算法的行为就像直觉所期望的那样。

创作挑战赛新人创作奖励来咯，坚持创作打卡瓜分现金大奖

总结

以上是生活随笔为你收集整理的sklearn自学指南(part12)--极小角回归及正交匹配追踪的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。