KernelRidge#

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

核岭回归。

核岭回归（KRR）将岭回归（线性最小平方和l2-模正规化）与核技巧结合起来。因此，它学习由各自的内核和数据引发的空间中的线性函数。对于非线性核，这对应于原始空间中的非线性函数。

KRR学习的模型形式与支持向量回归（SVR）相同。然而，使用不同的损失函数：KRR使用平方误差损失，而支持载体回归使用epsilon不敏感损失，两者都与l2正规化相结合。与SVR相比，KRR模型的匹配可以以封闭形式完成，并且对于中等规模的数据集通常更快。另一方面，学习到的模型是非稀疏的，因此比SVR慢，SVR在预测时学习RST> 0的稀疏模型。

该估计器内置支持多变量回归（即，当y是形状的2d阵列时 [n_samples, n_targets] ).

阅读更多的 User Guide .

参数:

alpha形状的浮点或类数组（n_targets，），默认=1.0: 正规化强度;必须是正浮动。正规化改进了问题的条件条件并减少了估计的方差。值越大，规范化越强。Alpha对应于 1 / (2C) 在其他线性模型中， LogisticRegression 或 LinearSVC .如果传递数组，则假定惩罚特定于目标。因此，它们必须在数量上相对应。看到岭回归与分类对于公式。
kernel字符串或可调用，默认=“线性”: 内部使用的核心映射。该参数直接传递给 pairwise_kernels .如果 kernel 是字符串，它必须是中的指标之一 pairwise.PAIRWISE_KERNEL_FUNCTIONS 或“预先计算的”。如果 kernel 如果X是“预先计算的”，则假设X是核矩阵。或者，如果 kernel 是一个可调用的函数，对每对实例（行）调用它并记录结果值。可调用对象应该从X中获取两行作为输入，并以单个数字的形式返回相应的内核值。这意味着从 sklearn.metrics.pairwise 不允许这样做，因为它们对矩阵而不是单个样本进行操作。使用标识内核的字符串。
gammafloat，默认=无: RBS、Laplacian、Polynomic、指数chi 2和Sigmoid核的Gamma参数。默认值的解释由内核负责;请参阅sklearn. metrics. pairwise的文档。被其他果仁忽视。
degreefloat，默认=3: 多项核的次数。被其他果仁忽视。
coef0float，默认=1: 多项核和Sigmoid核的零系数。被其他果仁忽视。
kernel_paramsdict，默认=无: 作为可调用对象传递的内核函数的附加参数（关键字参数）。

属性:

dual_coef_形状的nd数组（n_samples，）或（n_samples，n_targets）: 核空间中的权向量表示
X_fit_{ndarray，sparse matrix}的形状（n_samples，n_features）: 训练数据，这也是预测所需的。如果core ==“预先计算”，则这是预先计算的训练矩阵，形状为（n_samples，n_samples）。
n_features_in_int: 期间看到的功能数量 fit .

Added in version 0.24.
feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（: Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

sklearn.gaussian_process.GaussianProcessRegressor: 高斯过程回归器提供自动内核超参数调整和预测不确定性。
sklearn.linear_model.Ridge: 线性岭回归。
sklearn.linear_model.RidgeCV: 具有内置交叉验证的岭回归。
sklearn.svm.SVR: 支持接受大量内核的向量回归。

引用

Kevin P. Murphy“机器学习：概率角度”，麻省理工学院出版社第14.4.3章，页。492-493

示例

>>> 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)
>>> krr = KernelRidge(alpha=1.0)
>>> krr.fit(X, y)
KernelRidge(alpha=1.0)

fit(X, y, sample_weight=None)[源代码]#

适应核心岭回归模型。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 训练数据。如果core ==“预先计算”，则这是一个预先计算的核矩阵，形状为（n_samples，n_samples）。
y形状类似阵列（n_samples，）或（n_samples，n_targets）: 目标值。
sample_weightfloat或类似数组的形状（n_samples，），默认值=None: 每个样本的单独权重，如果通过无，则忽略。

返回:

self对象: 返回实例本身。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:

routingMetadataRequest: A MetadataRequest 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔，默认=True: 如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到其值。

predict(X)[源代码]#

使用核岭模型进行预测。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 样品如果core ==“预先计算”，这是预先计算的内核矩阵，shape = [n_samples, n_samples_fitted] ，其中n_samples_fitted是此估计器的匹配中使用的样本数量。

返回:

C形状的nd数组（n_samples，）或（n_samples，n_targets）: 返回预测值。

score(X, y, sample_weight=None)[源代码]#

返回预测的决定系数。

决定系数 $R^2$ 被定义为 $(1 - \frac{u}{v})$ ，在哪里 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum() 和 $v$ 是平方总和 ((y_true - y_true.mean()) ** 2).sum() .最好的可能分数是1.0，并且可以是负的（因为模型可以任意更差）。始终预测的期望值的恒定模型 y 如果不考虑输入功能，就会得到 $R^2$ 评分0.0。

参数:

X形状类似阵列（n_samples，n_features）: Test samples. For some estimators this may be a precomputed kernel matrix or a list of generic objects instead with shape (n_samples, n_samples_fitted), where n_samples_fitted is the number of samples used in the fitting for the estimator.
y形状的类似阵列（n_samples，）或（n_samples，n_outputs）: 真正的价值观 X .
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。

返回:

score浮子: $R^2$ 的 self.predict(X) w.r.t. y .

注意到

的 $R^2$ 呼叫时使用的分数 score 在回归器上使用 multioutput='uniform_average' 从0.23版本开始，与默认值保持一致 r2_score .这影响了 score 所有多输出回归器的方法（除了 MultiOutputRegressor ).

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → KernelRidge[源代码]#

请求元数据传递给 fit 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 fit 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 fit .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 sample_weight 参数 fit .

返回:

self对象: 更新的对象。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → KernelRidge[源代码]#

请求元数据传递给 score 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 score 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 score .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 sample_weight 参数 score .

返回:

self对象: 更新的对象。