脊#

class sklearn.linear_model.Ridge(alpha=1.0, *, fit_intercept=True, copy_X=True, max_iter=None, tol=0.0001, solver='auto', positive=False, random_state=None)[源代码]#

Linear least squares with l2 regularization.

最小化目标函数：：

||y - Xw||^2_2 + alpha * ||w||^2_2

该模型求解了一个回归模型，其中损失函数是线性最小二乘函数，正则化由l2范数给出。也称为岭回归或Tikhonov正则化。该估计器内置支持多变量回归（即，当y是形状的2D阵列（n_samples，n_targets）时）。

阅读更多的 User Guide .

参数:

alpha{float，ndarray of shape（n_targets，）}，默认值=1.0

乘以L2项的常数，控制规则化强度。 alpha 必须是非负浮动，即在 [0, inf) .

当 alpha = 0 ，目标等效于普通最小平方，由 LinearRegression object.由于数字原因，使用 alpha = 0 与 Ridge 不建议对象。相反，您应该使用 LinearRegression object.

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。

fit_intercept布尔，默认=True

是否适合此模型的拦截。如果设置为假，则在计算中不会使用任何拦截（即 X 和 y 预计将集中）。

copy_X布尔，默认=True

如果为True，X将被复制;否则，可能会被覆盖。

max_iterint，默认=无

共轨梯度求解器的最大迭代次数。对于“sparse_cg”和“lsqur”解算器，默认值由scipy.sparse.linalg确定。对于“sag”解算器，默认值为1000。对于“lbfgs”解算器，默认值为15000。

tolfloat，默认= 1 e-4

解决方案的精确度 (coef_ ）由以下因素决定 tol 它为每个求解器指定了不同的收敛标准：

“svd”： tol 没有影响。
“skinky”： tol 没有影响。
'sparse_cg'：残差的范数小于 tol .
“lsqur”： tol 被设置为scipy.sparse.linalg.lsqr的atol和btol，其根据矩阵和系数的范数来控制残差向量的范数。
“sag”和“saga”：cof的相对变化小于 tol .
“lbgs”：绝对（投影）梯度的最大值= max |residuals| 小于 tol .

在 1.2 版本发生变更: 默认值从1 e-3更改为1 e-4，以与其他线性模型保持一致。

solver' Auto '，' svd '，'，'，'， ' sag '，' lbfs '}，默认='自动'

在计算例程中使用的求解器：

“Auto”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岭系数。它是最稳定的求解器，特别是对于奇异矩阵来说比“不稳定”更稳定，但代价是速度更慢。
'Scipky'使用标准的scipy.linalg.solve函数来获得封闭形式的解。
“sparse_cg”使用scipy.sparse.linalg.cg中找到的共乘梯度求解器。作为一种迭代算法，该求解器比“Skopky”更适合大规模数据（可以设置 tol 和 max_iter ).
“lsqur”使用专用的正规化最小平方例程scipy.sparse.linalg.lsqur。它是最快的，并且使用迭代过程。
'sag'使用随机平均梯度下降，'saga'使用其改进的无偏版本SAGA。这两种方法都使用迭代过程，并且当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”快速收敛仅在具有大致相同比例的特征上得到保证。您可以使用sklearn.preprocessing中的缩放器对数据进行预处理。
“lbfgs”使用L-BFSG-B算法 scipy.optimize.minimize .只有在以下情况下才能使用 positive 是真的

除“svd”外的所有求解器都支持密集和稀疏数据。然而，只有“lsqur”、“sag”、“sparse_cg”和“lbfgs”支持稀疏输入， fit_intercept 是真的

Added in version 0.17: 随机平均梯度下降解算器。

Added in version 0.19: SAGA求解器。

positive布尔，默认=假

如果设置为 True ，强制系数为正。这种情况下仅支持“lbfgs”求解器。

random_stateint，RandomState实例，默认=无

时使用 solver ==“sag”或“saga”来洗牌数据。看到 Glossary 有关详细信息

Added in version 0.17: random_state 以支持随机平均梯度。

属性:

coef_形状的nd数组（n_features，）或（n_targets，n_features）: 权重载体。
intercept_形状的float或ndray（n_targets，）: 决策功能中的独立项。设置为0.0，如果 fit_intercept = False .
n_iter_无或形状的nd数组（n_targets，）: 每个目标的实际迭代次数。仅适用于sag和lsqur解算器。其他求解器将返回无。

Added in version 0.17.
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.
solver_str: The solver that was used at fit time by the computational routines.

Added in version 1.5.

参见

RidgeClassifier: 山脊分类器。
RidgeCV: 岭回归与内置的交叉验证。
KernelRidge: 核岭回归将岭回归与核技巧结合起来。

注意到

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 .

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()

fit(X, y, sample_weight=None)[源代码]#

适合岭回归模型。

参数:

X{ndarray，sparse matrix}的形状（n_samples，n_features）: 训练数据。
y形状的nd数组（n_samples，）或（n_samples，n_targets）: 目标值。
sample_weight形状的float或nd数组（n_samples，），默认=无: Individual weights for each sample. If given a float, every sample will have the same weight.

返回:

self对象: 拟合估计量。

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]#

Predict using the linear model.

参数:

X类阵列或稀疏矩阵，形状（n_samples，n_features）: 样品

返回:

C数组，形状（n_samples，）: 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 = '$UNCHANGED$') → Ridge[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 = '$UNCHANGED$') → Ridge[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。