sklearn.linear_model.Ridge?
class sklearn.linear_model.Ridge(alpha=1.0, *, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver='auto', random_state=None)
具有L2正則化的線性最小二乘法。
最小化目標函數：
該模型解決了一個回歸模型，其中損失函數是線性最小二乘函數，而正則化由L2-范數給出。也稱為Ridge回歸或Tikhonov正則化。此估計器對多元回歸（即當y是形狀的二維數組（n_samples，n_targets）時）具有內置的支持。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| alpha | float, default=1.0 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。如果傳遞了數組，則假定懲罰特定于目標。因此，它們在數量上必須一致。 |
| 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（即 X 和 y已經中心化）。 |
| normalize | bool, default=Falsefit_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。 |
| copy_X | bool, default=True 如果為True，將復制X；否則，X可能會被覆蓋。 |
| max_iter | int, default=None 共軛梯度求解器的最大迭代次數。對于“ sparse_cg”和“ lsqr”求解器，默認值由scipy.sparse.linalg確定。對于“sag”求解器，默認值為1000。 |
| tol | float, default=1e-3 優化算法的精度。 |
| solver | {‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’}, default=’auto’ 用于計算例程的求解器： - “auto”會根據數據類型自動選擇求解器。 - “ svd”使用X的奇異值分解來計算Ridge系數。對于奇異矩陣，比“ Cholesky”更穩定。 - 'cholestsky'使用標準的scipy.linalg.solve函數獲得封閉形式的解決方案。 - 'sparse_cg'使用scipy.sparse.linalg.cg中的共軛梯度求解器。作為一種迭代算法，對于大規模數據（可以設置 tol和max_iter），此求解器比“ Cholesky”更合適。- “ lsqr”使用專用的正則化最小二乘算法scipy.sparse.linalg.lsqr。它是最快的，并且使用了迭代過程。 - “sag”使用隨機平均梯度下降，而“saga”是它的無偏和更靈活的版本。這兩種方法都使用了迭代過程，當n_samples和n_features都很大時，通常比其他求解器更快。請注意， “sag”和“saga”的快速收斂只能保證在具有大致相同規模的特性上。你可以使用sklearn.preprocessing中的縮放器對數據進行預處理。 最后五個求解器均支持密集和稀疏數據。但是，當 fit_intercept為True 時，僅'sag'和'sparse_cg'支持稀疏型輸入。0.17版本中的新功能：隨機平均梯度下降求解器。 0.19版中的新功能 ：SAGA求解器。 |
| random_state | int, RandomState instance, default=None 在 solver=='sag'或'saga'時使用，用于隨機打亂數據。有關詳細信息，請參見詞匯表。0.17版中的新功能： random_state支持隨機平均梯度。 |
| 屬性 | 說明 |
|---|---|
| coef_ | ndarray of shape (1, n_features) or (n_classes, n_features) 權重向量。 |
| 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 。 |
| n_iter_ | None or ndarray of shape (n_targets,) 每個目標的實際迭代次數。僅適用于sag和lsqr求解器。其他求解器將返回None。 0.17版本中的新功能。 |
另見
嶺分類器
內建交叉驗證的Ridge回歸
sklearn.kernel_ridge.KernelRidge內核嶺回歸將嶺回歸與內核技巧結合在一起
示例
>>> from sklearn.linear_model import Ridge
>>> 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 = Ridge(alpha=1.0)
>>> clf.fit(X, y)
Ridge()
方法
| 方法 | 說明 |
|---|---|
fit(X, y[, sample_weight]) |
擬合Ridge回歸模型。 |
get_params([deep]) |
獲取此估計器的參數。 |
predict(X) |
使用線性模型進行預測。 |
score(X, y[, sample_weight]) |
返回預測的確定系數R ^ 2。 |
set_params(**params) |
設置此估計器的參數。 |
__init__(alpha=1.0, *, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver='auto', random_state=None)
初始化self， 請參閱help(type(self))以獲得準確的說明。
fit(X, y, sample_weight=None)
[源碼]
擬合Ridge分類器模型。
| 參數 | 說明 |
|---|---|
| X | {ndarray, sparse matrix} of shape (n_samples, n_features) 訓練數據 |
| y | ndarray of shape (n_samples,) 目標值。 |
| 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 | returns an instance of self. 返回估計器的實例。 |
get_params(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(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,) 每個樣本的預測值。 |
score(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是殘差平方和（（y_true-y_pred）** 2）.sum（），而v是總平方和（（y_true- y_true.mean（））** 2）.sum（）。可能的最高得分為1.0，并且也可能為負（因為該模型可能會更差）。一個常數模型總是預測y的期望值，而不考慮輸入特征，得到的R^2得分為0.0。
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_samples, n_features) 測試樣本。對于某些估計量，這可以是預先計算的內核矩陣或通用對象列表，形狀為（n_samples，n_samples_fitted），其中n_samples_fitted是用于擬合估計器的樣本數。 |
| 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 預測值與真實值的R^2。 |
注
調用回歸器中的score時使用的R2分數，multioutput='uniform_average'從0.23版開始使用 ，與r2_score默認值保持一致。這會影響多輸出回歸的score方法（ MultiOutputRegressor除外）。
set_params(**params)
[源碼]
設置此估計器的參數。
該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者具有形式為 <component>__<parameter>的參數，這樣就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。 |
