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)

[源码]

内置交叉验证的Ridge分类器。

有关交叉验证估算器，请参阅词汇表。

默认情况下，它执行泛化的交叉验证，这是一种有效的“留一法”交叉验证的形式。目前，仅有效处理n_features> n_samples的情况。

在用户指南中阅读更多内容。

参数	说明
alphas	ndarray of shape (n_alphas,), default=(0.1, 1.0, 10.0) 要尝试的Alpha值数组。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)`，例如 `LogisticRegression`或`sklearn.svm.LinearSVC`
fit_intercept	bool, default=True 是否计算此模型的截距。如果设置为false，则在计算中将不使用截距（如数据已经中心化）。
normalize	bool, default=False `fit_intercept`设置为False 时，将忽略此参数。如果为True，则在回归之前通过减去均值并除以l2-范数来对回归变量X进行归一化。如果你希望标准化，请先使用 `sklearn.preprocessing.StandardScaler`，然后调用`fit` 估算器并设置`normalize=False`。
scoring	string, callable, default=None 字符串（请参阅模型评估文档）或带`scorer(estimator, X, y)`签名的评分器可调用对象。
cv	int, cross-validation generator or an iterable, default=None - None，使用有效的“留一法”交叉验证 - 整数，用于指定折叠数。 - CV分割器， - 可迭代生成(分割训练、测试)索引数组。有关可在此处使用的各种交叉验证策略，请参阅用户指南。
class_weight	dict or ‘balanced’, default=None 以`{class_label: weight}`的形式与类别关联的权重。如果没有给出，所有类别的权重都应该是1。 “balanced”模式使用y的值来自动调整为与输入数据中的类频率成反比的权重。如`n_samples / (n_classes * np.bincount(y))`
store_cv_values	bool, default=False 是否将与每个alpha对应的交叉验证值存储在`cv_values_`属性中（请参见下文）。该参数仅与`cv=None`（即使用通用交叉验证）兼容。

属性	说明
cv_values_	ndarray of shape (n_samples, n_targets, n_alphas), optional 每个alpha的交叉验证值（当 `store_cv_values=True`和 `cv=None`）。`fit()`被调用之后，此属性将包含均方误差（默认）或 `{loss,score}_func`函数（如果在构造函数中提供）的值。仅当`store_cv_values`为True 时，此属性才存在。
coef_	ndarray of shape (1, n_features) or (n_classes, n_features) 决策函数中特征的系数。当给定问题为二分类时，`coef_`形状为（1，n_features）。
intercept_	float or ndarray of shape (n_targets,) 决策函数中的截距。如果设置`fit_intercept = False`，则截距为0.0 。
alpha_	float 估计的正则化参数。
best_score_	float 具有最佳alpha值的基计器得分。
classes_	ndarray of shape (n_classes,) 类别标签。

另见

Ridge

岭回归

RidgeClassifier

岭分类器

RidgeCV

内置交叉验证的Ridge回归

注

对于多类别分类，以“一对多”的方法训练n_class分类器。具体而言，这是通过利用Ridge中的多变量响应支持来实现的。

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	说明
`decision_function`(self, X)	预测样本的置信度得分。
`fit`(self, X, y[, sample_weight])	拟合Ridge分类器模型。
`get_params`(self[, deep])	获取此估计器的参数。
`predict`(self, X)	预测X中样本的类别标签。
`score`(self, X, y[, sample_weight])	返回给定测试数据和标签上的平均准确度。
`set_params`(self, **params)	设置此估计器的参数。

__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)

[源码]

初始化self，请参阅help(type(self))以获得准确的说明。

decision_function(self, X)

[源码]

预测样本的置信度得分。

样本的置信度分数是该样本到超平面的符号距离。

参数	说明
X	array_like or sparse matrix, shape (n_samples, n_features) 样本数据。

返回值	说明
	array, shape=(n_samples,) if n_classes == 2 else (n_samples, n_classes) 每个（样本，类别）组合的置信度得分。在二分类情况下，self.classes_ [1]的置信度得分> 0表示将预测该类。

fit（self，X，y，sample_weight = None ）

[源码]

拟合带有交叉验证的Ridge分类器模型。

参数	说明
X	ndarray of shape (n_samples, n_features) 训练数据，其中n_samples是样本数，n_features是特征数。使用GCV时，如有必要，将其强制转换为float64。
y	ndarray of shape (n_samples,) 如有必要，将强制转换为X的类型。
sample_weight	float or ndarray of shape (n_samples,), default=None 每个样本的权重，如果使用浮点数，每个样品的权重都相同。

返回值	说明
self	object

get_params（self，deep = True ）

[源码]

获取此估计器的参数。

参数	说明
deep	bool, default=True 如果为True，返回此估计器和所包含子对象的参数。

返回值	说明
params	mapping of string to any 参数名称映射到其值。

predict(self, X)

[源码]

预测X中样本的类别标签。

参数	说明
X	array_like or sparse matrix, shape (n_samples, n_features) 样本数据

返回值	说明
C	array, shape [n_samples] 每个样本的预测类别标签。

score（self，X，y，sample_weight = None ）

[源码]

返回给定测试数据和标签上的平均准确度。

在多标签分类中，这是子集准确性，这是一个严格的指标，因为你需要为每个样本正确预测对应的标签集。

参数	说明
X	array-like of shape (n_samples, n_features) 测试样本。
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真实标签。
sample_weight	array-like of shape (n_samples,), default=None 样本权重。

返回值	说明
score	float 预测标签与真实标签的平均准确度

set_params(self, **params)

[源码]

设置并验证估计器的参数。

该方法适用于简单的估计器以及嵌套对象（例如管道）。后者具有<component>__<parameter>形式的参数，以便可以更新嵌套对象的每个组件。

参数	说明
**params	dict 估计器参数。

返回值	说明
self	object 估计器实例。