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正则化的线性最小二乘法。
最小化目标函数：
该模型解决了一个回归模型，其中损失函数是线性最小二乘函数，而正则化由L2-范数给出。也称为Ridge回归或Tikhonov正则化。此估计器对多元回归（即当y是形状的二维数组（n_samples，n_targets）时）具有内置的支持。
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| alpha | float, default=1.0 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。如果传递了数组，则假定惩罚特定于目标。因此，它们在数量上必须一致。 |
| 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（即 X 和 y已经中心化）。 |
| normalize | bool, default=Falsefit_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。 |
| copy_X | bool, default=True 如果为True，将复制X；否则，X可能会被覆盖。 |
| max_iter | int, default=None 共轭梯度求解器的最大迭代次数。对于“ sparse_cg”和“ lsqr”求解器，默认值由scipy.sparse.linalg确定。对于“sag”求解器，默认值为1000。 |
| tol | float, default=1e-3 优化算法的精度。 |
| solver | {‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’}, default=’auto’ 用于计算例程的求解器： - “auto”会根据数据类型自动选择求解器。 - “ svd”使用X的奇异值分解来计算Ridge系数。对于奇异矩阵，比“ Cholesky”更稳定。 - 'cholestsky'使用标准的scipy.linalg.solve函数获得封闭形式的解决方案。 - 'sparse_cg'使用scipy.sparse.linalg.cg中的共轭梯度求解器。作为一种迭代算法，对于大规模数据（可以设置 tol和max_iter），此求解器比“ Cholesky”更合适。- “ lsqr”使用专用的正则化最小二乘算法scipy.sparse.linalg.lsqr。它是最快的，并且使用了迭代过程。 - “sag”使用随机平均梯度下降，而“saga”是它的无偏和更灵活的版本。这两种方法都使用了迭代过程，当n_samples和n_features都很大时，通常比其他求解器更快。请注意， “sag”和“saga”的快速收敛只能保证在具有大致相同规模的特性上。你可以使用sklearn.preprocessing中的缩放器对数据进行预处理。 最后五个求解器均支持密集和稀疏数据。但是，当 fit_intercept为True 时，仅'sag'和'sparse_cg'支持稀疏型输入。0.17版本中的新功能：随机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'时使用，用于随机打乱数据。有关详细信息，请参见词汇表。0.17版中的新功能： random_state支持随机平均梯度。 |
| 属性 | 说明 |
|---|---|
| coef_ | ndarray of shape (1, n_features) or (n_classes, n_features) 权重向量。 |
| 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 。 |
| n_iter_ | None or ndarray of shape (n_targets,) 每个目标的实际迭代次数。仅适用于sag和lsqr求解器。其他求解器将返回None。 0.17版本中的新功能。 |
另见
岭分类器
内建交叉验证的Ridge回归
sklearn.kernel_ridge.KernelRidge内核岭回归将岭回归与内核技巧结合在一起
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 | 说明 |
|---|---|
fit(X, y[, sample_weight]) |
拟合Ridge回归模型。 |
get_params([deep]) |
获取此估计器的参数。 |
predict(X) |
使用线性模型进行预测。 |
score(X, y[, sample_weight]) |
返回预测的确定系数R ^ 2。 |
set_params(**params) |
设置此估计器的参数。 |
__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， 请参阅help(type(self))以获得准确的说明。
fit(X, y, sample_weight=None)
[源码]
拟合Ridge分类器模型。
| 参数 | 说明 |
|---|---|
| X | {ndarray, sparse matrix} of shape (n_samples, n_features) 训练数据 |
| y | ndarray of shape (n_samples,) 目标值。 |
| 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 | returns an instance of self. 返回估计器的实例。 |
get_params(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(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,) 每个样本的预测值。 |
score(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是残差平方和（（y_true-y_pred）** 2）.sum（），而v是总平方和（（y_true- y_true.mean（））** 2）.sum（）。可能的最高得分为1.0，并且也可能为负（因为该模型可能会更差）。一个常数模型总是预测y的期望值，而不考虑输入特征，得到的R^2得分为0.0。
| 参数 | 说明 |
|---|---|
| X | array-like of shape (n_samples, n_features) 测试样本。对于某些估计量，这可以是预先计算的内核矩阵或通用对象列表，形状为（n_samples，n_samples_fitted），其中n_samples_fitted是用于拟合估计器的样本数。 |
| 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 预测值与真实值的R^2。 |
注
调用回归器中的score时使用的R2分数，multioutput='uniform_average'从0.23版开始使用 ，与r2_score默认值保持一致。这会影响多输出回归的score方法（ MultiOutputRegressor除外）。
set_params(**params)
[源码]
设置此估计器的参数。
该方法适用于简单的估计器以及嵌套对象（例如管道）。后者具有形式为 <component>__<parameter>的参数，这样就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。 |
