sklearn.linear_model.RidgeCV?

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

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。

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`，如果使用通用交叉驗證，則alpha必須為正。
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（即數據應已經中心化）。
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 確定交叉驗證拆分策略。可能輸入是： - None，使用有效的“留一法”交叉驗證（也稱為通用交叉驗證） - 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。對于整數或None，如果`y`是二分類或多分類，則使用`sklearn.model_selection.StratifiedKFold`，否則使用`sklearn.model_selection.KFold`。有關可在此處使用的各種交叉驗證策略，請參閱用戶指南。
gcv_mode	{‘auto’, ‘svd’, eigen’}, default=’auto’ 指示執行通用交叉驗證時使用哪種策略的標志。選項有： `'auto' : use 'svd' if n_samples > n_features, otherwise use 'eigen'` `'svd' : force use of singular value decomposition of X when X is dense, eigenvalue decomposition of X^T.X when X is sparse.` `'eigen' : force computation via eigendecomposition of X.X^T<br />` “auto”模式是默認模式，用于根據訓練數據的形狀選擇兩者中更合適的選項。
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_alphas) or 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。
coef_	ndarray of shape (1, n_features) or (n_classes, n_features) 決策函數中特征的系數。
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。

另見

Ridge

嶺回歸

RidgeClassifier

嶺分類器

RidgeClassifierCV

帶有內置交叉驗證的Ridge分類器

示例

>>> from sklearn.datasets import load_diabetes
>>> from sklearn.linear_model import RidgeCV
>>> X, y = load_diabetes(return_X_y=True)
>>> clf = RidgeCV(alphas=[1e-3, 1e-2, 1e-1, 1]).fit(X, y)
>>> clf.score(X, y)
0.5166...

方法

方法	說明
`fit`(X, y[, sample_weight])	擬合帶有交叉驗證的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__(alphas=(0.1, 1.0, 10.0), *, fit_intercept=True, normalize=False, scoring=None, cv=None, gcv_mode=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。

fit（X，y，sample_weight = None ）

[源碼]

擬合帶有交叉驗證的Ridge回歸模型。

參數	說明
X	ndarray of shape (n_samples, n_features) 訓練數據。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

注

當提供樣本權重時，所選的超參數可能取決于我們是使用廣義交叉驗證（cv=None或cv='auto'）還是其他形式的交叉驗證，因為只有廣義交叉驗證在計算驗證分數時才考慮樣本權重。

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,) 每個樣本的預測類別標簽。

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。

sklearn.linear_model.RidgeCV使用示例?