sklearn.kernel_ridge Kernel Ridge Regression?

class sklearn.kernel_ridge.KernelRidge(alpha=1, *, kernel='linear', gamma=None, degree=3, coef0=1, kernel_params=None)

[源碼]

內核嶺回歸。

內核嶺回歸（KRR）將嶺回歸（具有L2-范數正則化的線性最小二乘）與內核技巧結合在一起。因此，它學習了由各個內核和數據產生的空間中的線性函數。對于非線性內核，這對應于原始空間中的非線性函數。

KRR學習的模型的形式與支持向量回歸（SVR）相同。但是，使用了不同的損失函數：KRR使用平方誤差損失，而支持向量回歸使用epsilon不敏感損失，兩者均與L2正則化結合。與SVR相比，擬合KRR模型可以封閉形式進行，對于中等規模的數據集通常更快。另一方面，學習的模型是非稀疏的，因此比SVR慢，后者在預測時學習epsilon> 0的稀疏模型。

該估計器量有對多元回歸的內置支持（即，當y是形狀為[n_samples，n_targets]的二維數組時）。

在用戶指南中閱讀更多內容。

參數 說明
alpha float or array-like of shape (n_targets,)
正則強度；必須為正浮點數。正則化改善了問題的狀況，并減少了估計的方差。較大的值表示更強的正則化。在其他線性模型中，Alpha對應于1/（2C），如logisticReturnation或sklearn.svm.LinearSVC.如果數組被傳遞，則假定懲罰是特定于目標的.因此它們必須在數量上對應。公式見Ridge regression and classification。
kernel string or callable, default=”linear”
內部使用的內核映射。此參數直接傳遞給 sklearn.metrics.pairwise.pairwise_kernel。如果kernel是字符串，則必須是pairwise.PAIRWISE_KERNEL_FUNCTIONS中的指標之一。如果kernel“預先計算”，則假定X為內核矩陣。另外，如果kernel是可調用函數，則在每對實例（行）上調用它，并記錄結果值。可調用對象應將X的兩行作為輸入，并以單個數字返回相應的內核值。這意味著sklearn.metrics.pairwise不允許調用from ，因為它們在矩陣而不是單個樣本上運行。請使用標識內核的字符串代替。
gamma float, default=None
RBF，拉普拉斯算子，多項式，指數chi2和sigmoid kernels的Gamma參數。默認值的解釋留給內核；請參閱sklearn.metrics.pairwise的文檔。被其他內核忽略。
degree float, default=3
多項式內核的度。被其他內核忽略。
coef0 float, default=1
多項式和sigmoid kernels的系數為零。被其他內核忽略。
kernel_params mapping of string to any, optional
作為可調用對象傳遞的內核函數的其他參數（關鍵字參數）。
屬性 說明
dual_coef_ ndarray of shape (n_samples,) or (n_samples, n_targets)
核空間中權重向量的表示
X_fit_ {ndarray, sparse matrix} of shape (n_samples, n_features)
訓練數據，這也是預測所必需的。如果kernel ==“ precomputed”，則它是形狀為（n_samples，n_samples）的預計算訓練矩陣。

另見

參考文獻

1 Kevin P. Murphy “Machine Learning: A Probabilistic Perspective”, The MIT Press chapter 14.4.3, pp. 492-493

實例

>>> from sklearn.kernel_ridge import KernelRidge
>>> import numpy as np
>>> n_samples, n_features = 10, 5
>>> rng = np.random.RandomState(0)
>>> y = rng.randn(n_samples)
>>> X = rng.randn(n_samples, n_features)
>>> clf = KernelRidge(alpha=1.0)
>>> clf.fit(X, y)
KernelRidge(alpha=1.0)
方法 說明
fit(self, X[, y, sample_weight]) 擬合內核嶺回歸模型
get_params(self[, deep]) 獲取此估計量的參數。
predict(self, X) 使用內核嶺模型進行預測
score(self, X, y[, sample_weight]) 返回預測的確定系數R ^ 2。
set_params(self, **params) 設置此估算量的參數。 
__init__(self, alpha=1, *, kernel='linear', gamma=None, degree=3, coef0=1, kernel_params=None)

[源碼]

初始化self， 請參閱help(type(self))以獲得準確的說明

fit(self, X, y=None, sample_weight=None)

[源碼]

擬合內核嶺回歸模型

參數 說明
X {array-like, sparse matrix} of shape (n_samples, n_features)
訓練數據。如果kernel ==“ precomputed”，則它是形狀為（n_samples，n_samples）的預計算內核矩陣。
y array-like of shape (n_samples,) or (n_samples, n_targets)
目標值
sample_weight float or array-like of shape [n_samples]
每個樣本的單獨權重，如果未通過則忽略。
返回值 說明
self returns an instance of self. 
get_params(self, deep=True)

[源碼]

獲取此估計量的參數。

參數 說明
X {array-like, sparse matrix} of shape (n_samples, n_features)
如果為True，則將返回此估算量和作為估算量的所包含子對象的參數。
返回值 說明
C ndarray of shape (n_samples,) or (n_samples, n_targets)
參數名稱映射到其值。		 
score(self, X, y, sample_weight=None)

[源碼]

返回預測的確定系數R ^ 2。

系數R^2定義為(1-u/v)，其中u是平方的殘差和((y_true-y_pred)2).sum()，v是平方和總和((y_true-y_true.means())2).sum()。最高得分可能為1.0，也可能為負（因為該模型可能會更差）。如果常量模型總是預測y的期望值，而不考慮輸入特征，R^2則會得到分數0.0。

參數 說明
X array-like of shape (n_samples, n_features)
測試數據。對于某些估計量，可以是預先計算的內核矩陣或通用對象列表，而不是shape =（n_samples，n_samples_fitted），其中n_samples_fitted是用于估計量擬合的樣本數。
y array-like of shape (n_samples,) or (n_samples, n_outputs)
X的真實值。
sample_weight array-like of shape (n_samples,), default=None
樣本權重
返回值 說明
score float
self.predict(X) wrt. y.的R^2

在回歸函數上調用score時使用的R2 score使用0.23版本中的multioutput='uniform_average'來保持與R2\u score的默認值一致。這樣處理會影響所有多輸出回歸函數的評分方法（MultiOutputRegressor除外）。

set_params(self, **params)

[源碼]

設置此估算量的參數。

該方法適用于簡單估計量以及嵌套對象(例如pipelines)。后者具有形式的參數。<component>__<parameter>這樣就可以更新嵌套對象的每個組件。

參數 說明
**params dict
估算量參數。
返回值 說明
self object
估計量實例。

sklearn.kernel_ridge.KernelRidge使用示例?