sklearn.kernel_ridge Kernel Ridge Regression

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

[源码]

内核岭回归。

内核岭回归（KRR）将岭回归（具有L2-范数正则化的线性最小二乘）与内核技巧结合在一起。因此，它学习了由各个内核和数据产生的空间中的线性函数。对于非线性内核，这对应于原始空间中的非线性函数。

KRR学习的模型的形式与支持向量回归（SVR）相同。但是，使用了不同的损失函数：KRR使用平方误差损失，而支持向量回归使用epsilon不敏感损失，两者均与L2正则化结合。与SVR相比，拟合KRR模型可以封闭形式进行，对于中等规模的数据集通常更快。另一方面，学习的模型是非稀疏的，因此比SVR慢，后者在预测时学习epsilon> 0的稀疏模型。

该估计器量有对多元回归的内置支持（即，当y是形状为[n_samples，n_targets]的二维数组时）。

在用户指南中阅读更多内容。

参数 说明
alpha float or array-like of shape (n_targets,)
正则强度；必须为正浮点数。正则化改善了问题的状况，并减少了估计的方差。较大的值表示更强的正则化。在其他线性模型中，Alpha对应于1/（2C），如logisticReturnation或sklearn.svm.LinearSVC.如果数组被传递，则假定惩罚是特定于目标的.因此它们必须在数量上对应。公式见Ridge regression and classification。
kernel string or callable, default=”linear”
内部使用的内核映射。此参数直接传递给 sklearn.metrics.pairwise.pairwise_kernel。如果kernel是字符串，则必须是pairwise.PAIRWISE_KERNEL_FUNCTIONS中的指标之一。如果kernel“预先计算”，则假定X为内核矩阵。另外，如果kernel是可调用函数，则在每对实例（行）上调用它，并记录结果值。可调用对象应将X的两行作为输入，并以单个数字返回相应的内核值。这意味着sklearn.metrics.pairwise不允许调用from ，因为它们在矩阵而不是单个样本上运行。请使用标识内核的字符串代替。
gamma float, default=None
RBF，拉普拉斯算子，多项式，指数chi2和sigmoid kernels的Gamma参数。默认值的解释留给内核；请参阅sklearn.metrics.pairwise的文档。被其他内核忽略。
degree float, default=3
多项式内核的度。被其他内核忽略。
coef0 float, default=1
多项式和sigmoid kernels的系数为零。被其他内核忽略。
kernel_params mapping of string to any, optional
作为可调用对象传递的内核函数的其他参数（关键字参数）。
属性 说明
dual_coef_ ndarray of shape (n_samples,) or (n_samples, n_targets)
核空间中权重向量的表示
X_fit_ {ndarray, sparse matrix} of shape (n_samples, n_features)
训练数据，这也是预测所必需的。如果kernel ==“ precomputed”，则它是形状为（n_samples，n_samples）的预计算训练矩阵。

另见

参考文献

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

实例

>>> 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 说明
fit(self, X[, y, sample_weight]) 拟合内核岭回归模型
get_params(self[, deep]) 获取此估计量的参数。
predict(self, X) 使用内核岭模型进行预测
score(self, X, y[, sample_weight]) 返回预测的确定系数R ^ 2。
set_params(self, **params) 设置此估算量的参数。 
__init__(self, alpha=1, *, kernel='linear', gamma=None, degree=3, coef0=1, kernel_params=None)

[源码]

初始化self， 请参阅help(type(self))以获得准确的说明

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

[源码]

拟合内核岭回归模型

参数 说明
X {array-like, sparse matrix} of shape (n_samples, n_features)
训练数据。如果kernel ==“ precomputed”，则它是形状为（n_samples，n_samples）的预计算内核矩阵。
y array-like of shape (n_samples,) or (n_samples, n_targets)
目标值
sample_weight float or array-like of shape [n_samples]
每个样本的单独权重，如果未通过则忽略。
返回值 说明
self returns an instance of self. 
get_params(self, deep=True)

[源码]

获取此估计量的参数。

参数 说明
X {array-like, sparse matrix} of shape (n_samples, n_features)
如果为True，则将返回此估算量和作为估算量的所包含子对象的参数。
返回值 说明
C ndarray of shape (n_samples,) or (n_samples, n_targets)
参数名称映射到其值。		 
score(self, X, y, sample_weight=None)

[源码]

返回预测的确定系数R ^ 2。

系数R^2定义为(1-u/v)，其中u是平方的残差和((y_true-y_pred)2).sum()，v是平方和总和((y_true-y_true.means())2).sum()。最高得分可能为1.0，也可能为负（因为该模型可能会更差）。如果常量模型总是预测y的期望值，而不考虑输入特征，R^2则会得到分数0.0。

参数 说明
X array-like of shape (n_samples, n_features)
测试数据。对于某些估计量，可以是预先计算的内核矩阵或通用对象列表，而不是shape =（n_samples，n_samples_fitted），其中n_samples_fitted是用于估计量拟合的样本数。
y array-like of shape (n_samples,) or (n_samples, n_outputs)
X的真实值。
sample_weight array-like of shape (n_samples,), default=None
样本权重
返回值 说明
score float
self.predict(X) wrt. y.的R^2

在回归函数上调用score时使用的R2 score使用0.23版本中的multioutput='uniform_average'来保持与R2\u score的默认值一致。这样处理会影响所有多输出回归函数的评分方法（MultiOutputRegressor除外）。

set_params(self, **params)

[源码]

设置此估算量的参数。

该方法适用于简单估计量以及嵌套对象(例如pipelines)。后者具有形式的参数。<component>__<parameter>这样就可以更新嵌套对象的每个组件。

参数 说明
**params dict
估算量参数。
返回值 说明
self object
估计量实例。

sklearn.kernel_ridge.KernelRidge使用示例