Ctrl+K

RidgeClassifier#

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

使用岭回归的分类器。

该分类器首先将目标值转换为 {-1, 1} 然后将该问题视为回归任务（多类情况下的多输出回归）。

阅读更多的 User Guide .

参数:
alphafloat，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 .

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（例如，数据预计已居中）。

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。默认值由scipy.sparse.linalg确定。

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。

class_weightdict或“balanced”，默认=无

与形式中的类关联的权重 {class_label: weight} .如果没有给出，所有类别的权重都应该为一。

“平衡”模式使用y值自动调整与输入数据中的类别频率成反比例的权重， n_samples / (n_classes * np.bincount(y)) .

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，而“saga”使用其无偏见且更灵活的版本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。

    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。

  • “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

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

属性:
coef_形状的nd数组（1，n_features）或（n_classes，n_features）

决策函数中特征的系数。

coef_ 当给定问题是二元问题时，形状为（1，n_features）。

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。

classes_形状的nd数组（n_classes，）

班级标签。

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

Ridge

岭回归。

RidgeClassifierCV

Ridge classifier with built-in cross validation.

注意到

对于多类分类，n_类分类器以一对所有的方法训练。具体来说，这是通过利用Ridge中的多变量响应支持来实现的。

示例

>>> from sklearn.datasets import load_breast_cancer
>>> from sklearn.linear_model import RidgeClassifier
>>> X, y = load_breast_cancer(return_X_y=True)
>>> clf = RidgeClassifier().fit(X, y)
>>> clf.score(X, y)
0.9595...
decision_function(X)[源代码]#

预测样本的置信度分数。

样本的置信度分数与该样本到超平面的带符号距离成正比。

参数:
X形状（n_samples，n_features）的{类数组，稀疏矩阵}

我们想要获取其置信度分数的数据矩阵。

返回:
scores形状的ndarray（n_samples，）或（n_samples，n_classes）

信心分数 (n_samples, n_classes) 组合.在二元情况下，置信度得分 self.classes_[1] 其中>0意味着这个类将被预测。

fit(X, y, sample_weight=None)[源代码]#

适合Ridge分类器模型。

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，）

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.

Added in version 0.17: sample_weight 支持RidgeClassifier。

返回:
self对象

估计器的实例。

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]#

预测样本的类别标签 X .

参数:
X形状（n_样本，n_特征）的{类阵列，备用矩阵}

我们想要预测目标的数据矩阵。

返回:
y_pred形状的nd数组（n_samples，）或（n_samples，n_outputs）

包含预测的载体或矩阵。在二元和多类问题中，这是一个包含 n_samples .在多标签问题中，它返回形状矩阵 (n_samples, n_outputs) .

score(X, y, sample_weight=None)[源代码]#

返回给定测试数据和标签的平均准确度。

在多标签分类中，这是子集准确度，这是一个苛刻的指标，因为您需要为每个样本正确预测每个标签集。

参数:
X形状类似阵列（n_samples，n_features）

测试样本。

y形状的类似阵列（n_samples，）或（n_samples，n_outputs）

真正的标签 X .

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

返回:
score浮子

平均准确度 self.predict(X) w.r.t. y .

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → RidgeClassifier[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 = '$UNCHANGED$') → RidgeClassifier[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。

On this page