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)

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。

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`，如果使用通用交叉验证，则alpha必须为正。
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（即数据应已经中心化）。
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 确定交叉验证拆分策略。可能输入是： - None，使用有效的“留一法”交叉验证（也称为通用交叉验证） - 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。对于整数或None，如果`y`是二分类或多分类，则使用`sklearn.model_selection.StratifiedKFold`，否则使用`sklearn.model_selection.KFold`。有关可在此处使用的各种交叉验证策略，请参阅用户指南。
gcv_mode	{‘auto’, ‘svd’, eigen’}, default=’auto’ 指示执行通用交叉验证时使用哪种策略的标志。选项有： `'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”模式是默认模式，用于根据训练数据的形状选择两者中更合适的选项。
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_alphas) or 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。
coef_	ndarray of shape (1, n_features) or (n_classes, n_features) 决策函数中特征的系数。
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。

另见

Ridge

岭回归

RidgeClassifier

岭分类器

RidgeClassifierCV

带有内置交叉验证的Ridge分类器

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	说明
`fit`(X, y[, sample_weight])	拟合带有交叉验证的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__(alphas=(0.1, 1.0, 10.0), *, fit_intercept=True, normalize=False, scoring=None, cv=None, gcv_mode=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。

fit（X，y，sample_weight = None ）

[源码]

拟合带有交叉验证的Ridge回归模型。

参数	说明
X	ndarray of shape (n_samples, n_features) 训练数据。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

注

当提供样本权重时，所选的超参数可能取决于我们是使用广义交叉验证（cv=None或cv='auto'）还是其他形式的交叉验证，因为只有广义交叉验证在计算验证分数时才考虑样本权重。

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,) 每个样本的预测类别标签。

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。

sklearn.linear_model.RidgeCV使用示例¶