sklearn.linear_model

各种线性模型。

用户指南。 更多详细信息请参见线性模型章节。

以下小节仅为大致指导：相同的估计器可以根据其参数归入多个类别。

线性分类器

LogisticRegression	逻辑回归（又称 logit，最大熵）分类器。
LogisticRegressionCV	逻辑回归 CV（又称 logit，最大熵）分类器。
PassiveAggressiveClassifier	被动攻击分类器。
Perceptron	线性感知器分类器。
RidgeClassifier	使用岭回归的分类器。
RidgeClassifierCV	带有内置交叉验证的岭分类器。
SGDClassifier	使用 SGD 训练的线性分类器（支持向量机、逻辑回归等）。
SGDOneClassSVM	使用随机梯度下降求解线性单类支持向量机。

经典线性回归器

LinearRegression	普通最小二乘线性回归。
Ridge	带 L2 正则化的线性最小二乘。
RidgeCV	带有内置交叉验证的岭回归。
SGDRegressor	通过最小化带正则化的经验损失并使用 SGD 拟合的线性模型。

带变量选择的回归器

以下估计器具有内置的变量选择拟合过程，但任何使用 L1 或弹性网惩罚的估计器也执行变量选择：通常是 SGDRegressor 或 SGDClassifier，并带有适当的惩罚项。

ElasticNet	以 L1 和 L2 组合先验作为正则化项的线性回归。
ElasticNetCV	弹性网模型，沿正则化路径迭代拟合。
Lars	最小角回归模型，又称
LarsCV	交叉验证的最小角回归模型。
Lasso	以 L1 先验作为正则化项训练的线性模型（又称 Lasso）。
LassoCV	Lasso 线性模型，沿正则化路径迭代拟合。
LassoLars	使用最小角回归拟合的 Lasso 模型，又称
LassoLarsCV	使用 LARS 算法的交叉验证 Lasso。
LassoLarsIC	使用 Lars 拟合的 Lasso 模型，使用 BIC 或 AIC 进行模型选择。
OrthogonalMatchingPursuit	正交匹配追踪模型（OMP）。
OrthogonalMatchingPursuitCV	交叉验证的正交匹配追踪模型（OMP）。

贝叶斯回归器

ARDRegression	贝叶斯 ARD 回归。
BayesianRidge	贝叶斯岭回归。

带变量选择的多任务线性回归器

这些估计器联合拟合多个回归问题（或任务），同时产生稀疏系数。虽然不同任务之间推断出的系数可能不同，但它们在所选特征（非零系数）上受约束保持一致。

MultiTaskElasticNet	使用 L1/L2 混合范数作为正则化项训练的多任务弹性网模型。
MultiTaskElasticNetCV	带有内置交叉验证的多任务 L1/L2 弹性网。
MultiTaskLasso	使用 L1/L2 混合范数作为正则化项训练的多任务 Lasso 模型。
MultiTaskLassoCV	使用 L1/L2 混合范数作为正则化项训练的多任务 Lasso 模型。

对异常值鲁棒的回归器

任何使用 Huber 损失的估计器也对异常值具有鲁棒性，例如 SGDRegressor，其中 loss='huber'。

HuberRegressor	对异常值鲁棒的 L2 正则化线性回归模型。
QuantileRegressor	预测条件分位数的线性回归模型。
RANSACRegressor	RANSAC（随机样本一致性）算法。
TheilSenRegressor	Theil-Sen 估计器：鲁棒多元回归模型。

用于回归的广义线性模型（GLM）

这些模型允许响应变量具有非正态分布的误差分布。

GammaRegressor	带有 Gamma 分布的广义线性模型。
PoissonRegressor	带有泊松分布的广义线性模型。
TweedieRegressor	带有 Tweedie 分布的广义线性模型。

杂项

PassiveAggressiveRegressor	被动攻击回归器。
enet_path	使用坐标下降法计算弹性网路径。
lars_path	使用 LARS 算法计算最小角回归或 Lasso 路径。
lars_path_gram	充分统计模式下的 lars_path。
lasso_path	使用坐标下降法计算 Lasso 路径。
orthogonal_mp	正交匹配追踪（OMP）。
orthogonal_mp_gram	Gram 正交匹配追踪（OMP）。
ridge_regression	通过正规方程法求解岭方程。