sklearn 5.18.1 lasso path using LARS

# 基于糖尿病的数据集，基于Lasso计算特则的相关系数路径，Lasso中对L1正则项进行优化
# 图示中每一个颜色代表了一个特征值的相关系数向量
# 本例中使用Lasso模型基于数据集进行优化，得到不同超参数值的情况下，相关系数的解
# 例子中并没有输出对数据集拟合的结果，只输出参数相关信息
# 因为L1正则化容易产生稀疏解，也常用来做特征选择
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model
from sklearn import datasets
# 载入糖尿病数据集，用于回归模型，442个样本，10个特征值，特征值取值范围为（-2,2），目标值取值范围为（25,346）
diabetes = datasets.load_diabetes()
X = diabetes.data
y = diabetes.target
# linear_model模块下的函数，最小角回归计算lasso路径
# 参数method，与选择的优化对象有关，可选lar或lasso
# 参数max_iter，最大迭代次数
# 参数alpha_min，路径上最小相关系数值，与Lasso算法中正则化参数alpha相对应
# 参数method，选择返回模型类型，lar代表最小角回归，lasso代表Lasso
# 参数return_path，为真时返回完整路径上的值，否则只返回路径上最后一个点的值
# 参数positive，严格限制相关系数>=0，只限于lasso算法下
# 返回值alphas，数组，大小为n_alphas+1，返回每一次迭代的最大方差，n_alphas取max_iter或者路径上alpha大于alpha_min的个数，两者中较小的那个
# 返回值active，数组，大小为n_alphas，返回路径结束时活跃的变量索引
# 返回值coefs，数组，大小为（n_features，n_alphas+1），路径上的相关系数
alphas, active, coefs, n_iter = linear_model.lars_path(X, y, method='lasso', return_n_iter=True, ve