Ctrl+K

RidgeClassifier CV#

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

具有内置交叉验证的岭分类器。

请参阅术语表条目 cross-validation estimator .

默认情况下，它会执行留一出交叉验证。目前，只有n_features > n_samples的情况得到有效处理。

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) .

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。

指 User Guide 这里可以使用的各种交叉验证策略。

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)) .

store_cv_results布尔，默认=假

指示与每个Alpha对应的交叉验证结果是否应存储在 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 .

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_targets、n_alphas），可选

每个Alpha的交叉验证结果（仅当 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nd数组（1，n_features）或（n_targets，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 .

alpha_浮子

估计的正规化参数。

best_score_浮子

具有最佳Alpha的基本估计量的分数。

Added in version 0.23.

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.

参见

Ridge

岭回归。

RidgeClassifier

山脊分类器。

RidgeCV

岭回归与内置的交叉验证。

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 RidgeClassifierCV
>>> X, y = load_breast_cancer(return_X_y=True)
>>> clf = RidgeClassifierCV(alphas=[1e-3, 1e-2, 1e-1, 1]).fit(X, y)
>>> clf.score(X, y)
0.9630...
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, **params)[源代码]#

将Ridge分类器与简历匹配。

参数:
X形状的nd数组（n_samples，n_features）

训练载体，在哪里 n_samples 是样本数量和 n_features 是功能的数量。当使用GCV时，如果需要，将转换为float64。

y形状的nd数组（n_samples，）

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。

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]#

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 = '$UNCHANGED$') → RidgeClassifierCV[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 = '$UNCHANGED$') → RidgeClassifierCV[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