sklearn.linear_model.RidgeClassifierCV?

class sklearn.linear_model.RidgeClassifierCV(alphas=(0.1, 1.0, 10.0), *, fit_intercept=True, normalize=False, scoring=None, cv=None, class_weight=None, store_cv_values=False)

[源碼]

內置交叉驗證的Ridge分類器。

有關交叉驗證估算器，請參閱詞匯表。

默認情況下，它執行泛化的交叉驗證，這是一種有效的“留一法”交叉驗證的形式。目前，僅有效處理n_features> n_samples的情況。

在用戶指南中閱讀更多內容。

參數	說明
alphas	ndarray of shape (n_alphas,), default=(0.1, 1.0, 10.0) 要嘗試的Alpha值數組。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)`，例如 `LogisticRegression`或`sklearn.svm.LinearSVC`
fit_intercept	bool, default=True 是否計算此模型的截距。如果設置為false，則在計算中將不使用截距（如數據已經中心化）。
normalize	bool, default=False `fit_intercept`設置為False 時，將忽略此參數。如果為True，則在回歸之前通過減去均值并除以l2-范數來對回歸變量X進行歸一化。如果你希望標準化，請先使用 `sklearn.preprocessing.StandardScaler`，然后調用`fit` 估算器并設置`normalize=False`。
scoring	string, callable, default=None 字符串（請參閱模型評估文檔）或帶`scorer(estimator, X, y)`簽名的評分器可調用對象。
cv	int, cross-validation generator or an iterable, default=None - None，使用有效的“留一法”交叉驗證 - 整數，用于指定折疊數。 - CV分割器， - 可迭代生成(分割訓練、測試)索引數組。有關可在此處使用的各種交叉驗證策略，請參閱用戶指南。
class_weight	dict or ‘balanced’, default=None 以`{class_label: weight}`的形式與類別關聯的權重。如果沒有給出，所有類別的權重都應該是1。 “balanced”模式使用y的值來自動調整為與輸入數據中的類頻率成反比的權重。如`n_samples / (n_classes * np.bincount(y))`
store_cv_values	bool, default=False 是否將與每個alpha對應的交叉驗證值存儲在`cv_values_`屬性中（請參見下文）。該參數僅與`cv=None`（即使用通用交叉驗證）兼容。

屬性	說明
cv_values_	ndarray of shape (n_samples, n_targets, n_alphas), optional 每個alpha的交叉驗證值（當 `store_cv_values=True`和 `cv=None`）。`fit()`被調用之后，此屬性將包含均方誤差（默認）或 `{loss,score}_func`函數（如果在構造函數中提供）的值。僅當`store_cv_values`為True 時，此屬性才存在。
coef_	ndarray of shape (1, n_features) or (n_classes, n_features) 決策函數中特征的系數。當給定問題為二分類時，`coef_`形狀為（1，n_features）。
intercept_	float or ndarray of shape (n_targets,) 決策函數中的截距。如果設置`fit_intercept = False`，則截距為0.0 。
alpha_	float 估計的正則化參數。
best_score_	float 具有最佳alpha值的基計器得分。
classes_	ndarray of shape (n_classes,) 類別標簽。

另見

Ridge

嶺回歸

RidgeClassifier

嶺分類器

RidgeCV

內置交叉驗證的Ridge回歸

注

對于多類別分類，以“一對多”的方法訓練n_class分類器。具體而言，這是通過利用Ridge中的多變量響應支持來實現的。

示例

>>> from sklearn.datasets import load_breast_cancer
>>> from sklearn.linear_model import RidgeClassifierCV
>>> X, y = load_breast_cancer(return_X_y=True)
>>> clf = RidgeClassifierCV(alphas=[1e-3, 1e-2, 1e-1, 1]).fit(X, y)
>>> clf.score(X, y)
0.9630...

方法

方法	說明
`decision_function`(self, X)	預測樣本的置信度得分。
`fit`(self, X, y[, sample_weight])	擬合Ridge分類器模型。
`get_params`(self[, deep])	獲取此估計器的參數。
`predict`(self, X)	預測X中樣本的類別標簽。
`score`(self, X, y[, sample_weight])	返回給定測試數據和標簽上的平均準確度。
`set_params`(self, **params)	設置此估計器的參數。

__init__(self, alphas=(0.1, 1.0, 10.0), *, fit_intercept=True, normalize=False, scoring=None, cv=None, class_weight=None, store_cv_values=False)

[源碼]

初始化self，請參閱help(type(self))以獲得準確的說明。

decision_function(self, X)

[源碼]

預測樣本的置信度得分。

樣本的置信度分數是該樣本到超平面的符號距離。

參數	說明
X	array_like or sparse matrix, shape (n_samples, n_features) 樣本數據。

返回值	說明
	array, shape=(n_samples,) if n_classes == 2 else (n_samples, n_classes) 每個（樣本，類別）組合的置信度得分。在二分類情況下，self.classes_ [1]的置信度得分> 0表示將預測該類。

fit（self，X，y，sample_weight = None ）

[源碼]

擬合帶有交叉驗證的Ridge分類器模型。

參數	說明
X	ndarray of shape (n_samples, n_features) 訓練數據，其中n_samples是樣本數，n_features是特征數。使用GCV時，如有必要，將其強制轉換為float64。
y	ndarray of shape (n_samples,) 如有必要，將強制轉換為X的類型。
sample_weight	float or ndarray of shape (n_samples,), default=None 每個樣本的權重，如果使用浮點數，每個樣品的權重都相同。

返回值	說明
self	object

get_params（self，deep = True ）

[源碼]

獲取此估計器的參數。

參數	說明
deep	bool, default=True 如果為True，返回此估計器和所包含子對象的參數。

返回值	說明
params	mapping of string to any 參數名稱映射到其值。

predict(self, X)

[源碼]

預測X中樣本的類別標簽。

參數	說明
X	array_like or sparse matrix, shape (n_samples, n_features) 樣本數據

返回值	說明
C	array, shape [n_samples] 每個樣本的預測類別標簽。

score（self，X，y，sample_weight = None ）

[源碼]

返回給定測試數據和標簽上的平均準確度。

在多標簽分類中，這是子集準確性，這是一個嚴格的指標，因為你需要為每個樣本正確預測對應的標簽集。

參數	說明
X	array-like of shape (n_samples, n_features) 測試樣本。
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真實標簽。
sample_weight	array-like of shape (n_samples,), default=None 樣本權重。

返回值	說明
score	float 預測標簽與真實標簽的平均準確度

set_params(self, **params)

[源碼]

設置并驗證估計器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者具有<component>__<parameter>形式的參數，以便可以更新嵌套對象的每個組件。

參數	說明
**params	dict 估計器參數。

返回值	說明
self	object 估計器實例。