岭回归交叉验证#

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=False, alpha_per_target=False, store_cv_values='deprecated')[source]#

带有内置交叉验证的岭回归。

参见交叉验证估计器的词汇表条目。

默认情况下，它执行高效的留一法交叉验证。

在用户指南中了解更多信息。

参数：
alphasarray-like of shape (n_alphas,), default=(0.1, 1.0, 10.0)

如果使用留一法交叉验证，则alphas必须严格为正。

fit_interceptbool, default=True

是否为该模型计算截距。如果设置为 false，则计算中不使用截距（即，数据应居中）。

scoringstr, callable, default=None

一个字符串（参见评分参数：定义模型评估规则）或一个评分器可调用对象/函数，其签名为scorer(estimator, X, y)。如果为 None，则如果 cv 为“auto”或 None（即使用留一法交叉验证），则为负均方误差，否则为 r2 分数。

cvint, cross-validation generator or an iterable, default=None

确定交叉验证拆分策略。cv 的可能输入为：

  • None，使用高效的留一法交叉验证。

  • 整数，指定折叠数。

  • CV 分隔器,

  • 一个可迭代对象，产生 (train, test) 拆分作为索引数组。

对于整数/None 输入，如果y是二元或多类，则使用StratifiedKFold，否则使用KFold。

参考用户指南了解此处可以使用的各种交叉验证策略。

gcv_mode{‘auto’, ‘svd’, ‘eigen’}, default=’auto’

标志，指示在执行留一法交叉验证时要使用哪种策略。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

“auto”模式是默认模式，旨在根据训练数据的形状选择两种模式中较便宜的一种。

store_cv_resultsbool, default=False

标志，指示是否应将与每个 alpha 对应的交叉验证值存储在cv_results_属性中（见下文）。此标志仅与cv=None（即使用留一法交叉验证）兼容。

1.5 版中的更改： 参数名称已从store_cv_values更改为store_cv_results。

alpha_per_targetbool, default=False

标志，指示是否应分别为每个目标（对于多输出设置：多个预测目标）优化 alpha 值（从alphas参数列表中挑选）。当设置为True时，拟合后，alpha_属性将包含每个目标的值。当设置为False时，对所有目标使用单个 alpha。

0.24 版中添加。

store_cv_valuesbool

标志，指示是否应将与每个 alpha 对应的交叉验证值存储在cv_values_属性中（见下文）。此标志仅与cv=None（即使用留一法交叉验证）兼容。

自 1.5 版起已弃用： store_cv_values在 1.5 版中已被弃用，取而代之的是store_cv_results，并且将在 1.7 版中删除。

属性：
cv_results_ndarray of shape (n_samples, n_alphas) or shape (n_samples, n_targets, n_alphas), optional

每个 alpha 的交叉验证值（仅当store_cv_results=True且cv=None时可用）。调用fit()后，如果scoring is None，则此属性将包含均方误差，否则将包含标准化的每个点预测值。

1.5 版中的更改： cv_values_已更改为cv_results_。

coef_ndarray of shape (n_features) or (n_targets, n_features)

权重向量。

intercept_float or ndarray of shape (n_targets,)

决策函数中的独立项。如果fit_intercept = False，则设置为 0.0。

alpha_float or ndarray of shape (n_targets,)

估计的正则化参数，或者，如果 alpha_per_target=True，则为每个目标的估计正则化参数。

best_score_浮点数或形状为 (n_targets,) 的ndarray

具有最佳 alpha 的基础估计器的得分，或者，如果 alpha_per_target=True，则为每个目标的得分。

0.23 版本中新增。

n_features_in_整数

在 拟合过程中看到的特征数量。

0.24 版中添加。

feature_names_in_形状为 (n_features_in_,) 的ndarray

在 拟合过程中看到的特征名称。仅当 X 具有全是字符串的特征名称时才定义。

1.0 版本中新增。

另请参阅

Ridge

岭回归。

RidgeClassifier

基于{-1, 1}标签的岭回归分类器。

RidgeClassifierCV

具有内置交叉验证的岭分类器。

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)[source]#

使用cv拟合岭回归模型。

参数：
X形状为 (n_samples, n_features) 的ndarray

训练数据。如果使用 GCV，则如有必要将转换为 float64。

y形状为 (n_samples,) 或 (n_samples, n_targets) 的ndarray

目标值。如有必要将转换为 X 的 dtype。

sample_weight浮点数或形状为 (n_samples,) 的ndarray，默认值=None

每个样本的个体权重。如果给定浮点数，则每个样本将具有相同的权重。

**paramsdict，默认值=None

要传递给底层评分器的参数。

1.5 版本中新增： 仅当 enable_metadata_routing=True 时才可用，可以通过使用 sklearn.set_config(enable_metadata_routing=True) 来设置。有关更多详细信息，请参阅 元数据路由用户指南。

返回：
self对象

拟合的估计器。

备注

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法交叉验证 (cv=None 或 cv='auto') 或其他形式的交叉验证，因为只有留一法交叉验证在计算验证得分时会考虑样本权重。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看 用户指南，了解路由机制的工作原理。

1.5 版本中新增。

返回：
routingMetadataRouter

一个 MetadataRouter，封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：
deep布尔值，默认值=True

如果为 True，则将返回此估计器和作为估计器的包含子对象的参数。

返回：
paramsdict

参数名称映射到其值。

predict(X)[source]#

使用线性模型进行预测。

参数：
X类数组或稀疏矩阵，形状 (n_samples, n_features)

样本。

返回：
C数组，形状 (n_samples,)

返回预测值。

score(X, y, sample_weight=None)[source]#

返回预测的决定系数。

决定系数 \(R^2\) 定义为 \((1 - \frac{u}{v})\)，其中 \(u\) 是残差平方和 ((y_true - y_pred)** 2).sum()，而 \(v\) 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳可能得分为 1.0，它可以为负数（因为模型可以任意地更差）。始终预测 y 的期望值的常数模型，忽略输入特征，将获得 \(R^2\) 得分 0.0。

参数：
X形状为 (n_samples, n_features) 的类数组

测试样本。对于某些估计器，这可能是预先计算好的核矩阵，或者是一个形状为 (n_samples, n_samples_fitted) 的泛型对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数量。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

X 的真实值。

sample_weight形状为 (n_samples,) 的类数组，默认值=None

样本权重。

返回：
score浮点数

\(R^2\) of self.predict(X) 关于 y。

备注

从 0.23 版本开始，在回归器上调用 score 时使用的 \(R^2\) 分数使用 multioutput='uniform_average'，以保持与 r2_score 的默认值一致。这会影响所有多输出回归器的 score 方法（MultiOutputRegressor 除外）。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → RidgeCV[source]#

请求传递给 fit 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。请参阅 用户指南，了解路由机制的工作原理。

每个参数的选项为

  • True：请求元数据，如果提供则传递给 fit。如果未提供元数据，则忽略请求。

  • False：不请求元数据，元估计器不会将其传递给 fit。

  • None：不请求元数据，如果用户提供元数据，则元估计器将引发错误。

  • str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而其他参数则保持不变。

1.3 版本中添加。

注意

仅当将此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用）此方法才相关。否则无效。

参数：
sample_weightstr、True、False 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED

fit 中 sample_weight 参数的元数据路由。

返回：
self对象

更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

参数：
**params字典

估计器参数。

返回：
self估计器实例

估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → RidgeCV[source]#

请求传递给 score 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。请参阅 用户指南，了解路由机制的工作原理。

每个参数的选项为

  • True：请求元数据，如果提供则传递给 score。如果未提供元数据，则忽略请求。

  • False：不请求元数据，元估计器不会将其传递给 score。

  • None：不请求元数据，如果用户提供元数据，则元估计器将引发错误。

  • str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而其他参数则保持不变。

1.3 版本中添加。

注意

仅当将此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用）此方法才相关。否则无效。

参数：
sample_weightstr、True、False 或 None，默认值为 sklearn.utils.metadata_routing.UNCHANGED

score 中 sample_weight 参数的元数据路由。

返回：
self对象

更新后的对象。