RidgeCV#

class sklearn.linear_model.RidgeCV(alphas=(0.1, 1.0, 10.0), *, fit_intercept=True, scoring=None, cv=None, gcv_mode=None, store_cv_results=None, alpha_per_target=False, store_cv_values='deprecated')[源代码]#

具有内置交叉验证的岭回归。

请参阅术语表条目 cross-validation estimator .

默认情况下，它会执行高效的留一出交叉验证。

阅读更多的 User Guide .

参数:

alphas形状类似数组（n_alphas，），默认=（0.1，1.0，10.0）

要尝试的Alpha值数组。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 .如果使用Leave-One-Out交叉验证，阿尔法必须严格为正。

fit_intercept布尔，默认=True

是否计算此模型的拦截。如果设置为假，则计算中不会使用任何拦截（即数据预计居中）。

scoring字符串，可调用，默认=无

字符串（请参阅的 scoring 参数：定义模型评估规则）或具有签名的记分器可调用对象/函数 scorer(estimator, X, y) .如果无，如果cv为“Auto”或“无”（即，当使用留一交叉验证时），则为负均方误差，否则为r2评分。

cvint，交叉验证生成器或可迭代对象，默认=无

确定交叉验证拆分策略。简历的可能输入包括：

无，使用高效的Leave-One-Out交叉验证
integer，用于指定折叠次数。
CV splitter ,
可迭代产出（训练、测试）分裂为索引数组。

对于integer/Non-输入，如果 y 是二进制或多类， StratifiedKFold 被使用，否则， KFold 采用了

指 User Guide 这里可以使用的各种交叉验证策略。

gcv_mode输入'auto'，'svd'，'eigen'}，default='auto'

指示执行留一出交叉验证时使用哪种策略的标志。选项包括：：

'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

“自动”模式是默认模式，旨在根据训练数据的形状选择两者中更便宜的选项。

store_cv_results布尔，默认=假

指示与每个Alpha对应的交叉验证值是否应存储在 cv_results_ 属性（见下文）。该标志仅兼容 cv=None (i.e.使用留一交叉验证）。

在 1.5 版本发生变更: 参数名称更改自 store_cv_values 到 store_cv_results .

alpha_per_target布尔，默认=假

指示是否优化Alpha值的标志（从 alphas 参数列表）分别针对每个目标（对于多输出设置：多个预测目标）。如果设置为 True 经过调试， alpha_ 属性将包含每个目标的值。如果设置为 False ，单个Alpha用于所有目标。

Added in version 0.24.

store_cv_valuesbool

指示与每个Alpha对应的交叉验证值是否应存储在 cv_values_ 属性（见下文）。该标志仅兼容 cv=None (i.e.使用留一交叉验证）。

自 1.5 版本弃用: store_cv_values 在1.5版本中被弃用，支持 store_cv_results 并将在1.7版本中删除。

属性:

cv_results_形状的nd数组（n_samples，n_alphas）或形状（n_samples、n_targets、n_alphas），可选: 每个Alpha的交叉验证值（仅在以下情况下可用 store_cv_results=True 和 cv=None ).后 fit() 已调用，则此属性将包含均方误差，如果 scoring is None 否则它将包含标准化的每点预测值。

在 1.5 版本发生变更: cv_values_ 改为 cv_results_ .
coef_形状的ndarray（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 .
alpha_形状的float或ndray（n_targets，）: 估计的正规化参数，或者，如果 alpha_per_target=True ，每个目标的估计正规化参数。
best_score_形状的float或ndray（n_targets，）: 具有最佳Alpha的基本估计量的分数，或者，如果 alpha_per_target=True ，每个目标的得分。

Added in version 0.23.
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

Ridge: 岭回归。
RidgeClassifier: 基于{-1，1}标签上岭回归的分类器。
RidgeClassifierCV: Ridge classifier with built-in cross validation.

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...

fit(X, y, sample_weight=None, **params)[源代码]#

将Ridge回归模型与cv进行匹配。

参数:

X形状的nd数组（n_samples，n_features）: 训练数据。如果使用GCV，如有必要，将被转换为float 64。
y形状的nd数组（n_samples，）或（n_samples，n_targets）: 目标值。如有必要，将被转换为X的d类型。
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.
**paramsdict，默认=无: 要传递给基础评分器的参数。

Added in version 1.5: 仅在以下情况下可用 enable_metadata_routing=True ，可以使用 sklearn.set_config(enable_metadata_routing=True) .看到 Metadata Routing User Guide 了解更多详细信息。

返回:

self对象: 拟合估计量。

注意到

当提供sample_weight时，选择的超参数可能取决于我们是否使用留一交叉验证（cv=None或cv ='auto'）或另一种形式的交叉验证，因为只有留一交叉验证在计算验证分数时才会考虑样本权重。

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。

Added in version 1.5.

返回:

routingMetadataRouter: A MetadataRouter 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 = '$UNCHANGED$') → RidgeCV[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 = '$UNCHANGED$') → RidgeCV[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。