sklearn.linear_model#

多种线性模型。

User guide. 看到线性模型部分了解更多详细信息。

以下小节只是粗略的指导方针：同一估计器可以分为多个类别，具体取决于其参数。

Linear classifiers#

`LogisticRegression`	逻辑回归（又名logit、MaxEnt）分类器。
`LogisticRegressionCV`	逻辑回归CV（又名logit，MaxEnt）分类器。
`PassiveAggressiveClassifier`	被动攻击性分类器。
`Perceptron`	Linear perceptron classifier.
`RidgeClassifier`	使用岭回归的分类器。
`RidgeClassifierCV`	具有内置交叉验证的岭分类器。
`SGDClassifier`	线性分类器（支持者、逻辑回归等）接受新加坡元培训。
`SGDOneClassSVM`	使用随机梯度下降来求解线性一类支持者。

`LinearRegression`	普通最小平方线性回归。
`Ridge`	Linear least squares with l2 regularization.
`RidgeCV`	具有内置交叉验证的岭回归。
`SGDRegressor`	线性模型通过最小化与新元的正规化经验损失来进行。

以下估计量具有内置的变量选择拟合过程，但使用L1或弹性网络惩罚的任何估计量也执行变量选择：通常 SGDRegressor 或 SGDClassifier 并处以适当的处罚。

`ElasticNet`	以L1和L2先验组合作为正规化器的线性回归。
`ElasticNetCV`	弹性网络模型，沿着规则化路径迭代匹配。
`Lars`	最小角度回归模型，又名
`LarsCV`	交叉验证的最小角回归模型。
`Lasso`	线性模型之前使用L1作为正规化器（又名Lasso）进行训练。
`LassoCV`	Lasso线性模型，沿着规则化路径迭代匹配。
`LassoLars`	Lasso模型与最小角度回归（又名最小角度回归）进行匹配
`LassoLarsCV`	使用LARS算法交叉验证Lasso。
`LassoLarsIC`	Lasso模型与Lars匹配，使用BIC或AIC进行模型选择。
`OrthogonalMatchingPursuit`	垂直匹配追求模型（OMP）。
`OrthogonalMatchingPursuitCV`	交叉验证的垂直匹配追求模型（OMP）。

`ARDRegression`	Bayesian ARD回归。
`BayesianRidge`	贝氏岭回归。

这些估计器共同适应多个回归问题（或任务），同时引入稀疏系数。虽然推断出的系数在任务之间可能有所不同，但它们受到限制，必须同意所选择的特征（非零系数）。

`MultiTaskElasticNet`	多任务ElasticNet模型使用L1/L2混合规范作为正规化器进行训练。
`MultiTaskElasticNetCV`	多任务L1/L2 ElasticNet，内置交叉验证。
`MultiTaskLasso`	多任务Lasso模型使用L1/L2混合规范作为正规化器进行训练。
`MultiTaskLassoCV`	多任务Lasso模型使用L1/L2混合规范作为正规化器进行训练。

任何使用胡伯损失的估计器也对离群值具有鲁棒性，例如， SGDRegressor 与 loss='huber' .

`HuberRegressor`	对异常值具有鲁棒性的L2正规化线性回归模型。
`QuantileRegressor`	预测条件分位数的线性回归模型。
`RANSACRegressor`	RANSAC (RANdom SAmple Consensus) algorithm.
`TheilSenRegressor`	Theil-Sen Estimate：稳健的多元回归模型。

这些模型允许响应变量具有非正态分布的误差分布。

`PassiveAggressiveRegressor`	被动侵略回归者。
`enet_path`	通过坐标下降计算弹性净路径。
`lars_path`	使用LARS算法计算最小角度回归或Lasso路径。
`lars_path_gram`	充足统计数据模式下的lars_track。
`lasso_path`	使用坐标下降计算Lasso路径。
`orthogonal_mp`	垂直匹配追求（OMP）。
`orthogonal_mp_gram`	革兰氏正匹配追求（OMP）。
`ridge_regression`	用法向方程的方法求解山脊方程。