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)[source]#

使用岭回归的分类器。

该分类器首先将目标值转换为 {-1, 1}，然后将问题视为回归任务（在多类别情况下为多输出回归）。

在用户指南中阅读更多信息。

参数:
alpha浮点数, 默认为 1.0

正则化强度；必须是正浮点数。正则化可以改善问题的条件性并降低估计值的方差。值越大表示正则化越强。在其他线性模型（例如LogisticRegression或LinearSVC）中，alpha 对应于 1 / (2C)。

fit_intercept布尔值, 默认为 True

是否为该模型计算截距。如果设置为 false，则计算中不会使用截距（例如，数据预期已中心化）。

copy_X布尔值, 默认为 True

如果为 True，X 将被复制；否则，它可能会被覆盖。

max_iter整数, 默认为 None

共轭梯度求解器的最大迭代次数。默认值由 scipy.sparse.linalg 决定。

tol浮点数, 默认为 1e-4

解决方案 (coef_) 的精度由 tol 决定，tol 为每个求解器指定了不同的收敛准则：

  • ‘svd’：tol 无影响。

  • ‘cholesky’：tol 无影响。

  • ‘sparse_cg’：残差范数小于 tol。

  • ‘lsqr’：tol 设置为 scipy.sparse.linalg.lsqr 的 atol 和 btol，它们控制残差向量的范数，以矩阵和系数的范数表示。

  • ‘sag’ 和 ‘saga’：系数的相对变化小于 tol。

  • ‘lbfgs’：绝对（投影）梯度的最大值 = max|残差| 小于 tol。

1.2 版本中已更改: 默认值从 1e-3 更改为 1e-4，以与其他线性模型保持一致。

class_weight字典或 ‘balanced’, 默认为 None

与类别关联的权重，形式为 {class_label: weight}。如果未给出，则所有类别的权重均为一。

“balanced”模式使用 y 的值自动调整权重，使其与输入数据中类别频率成反比，计算公式为 n_samples / (n_classes * np.bincount(y))。

solver{‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’, ‘lbfgs’}, 默认为 ‘auto’

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比 ‘cholesky’ 更稳定，但代价是速度较慢。

  • ‘cholesky’ 使用标准的 scipy.linalg.solve 函数获得闭式解。

  • ‘sparse_cg’ 使用 scipy.sparse.linalg.cg 中找到的共轭梯度求解器。作为一种迭代算法，对于大规模数据，此求解器比 ‘cholesky’ 更合适（可以设置 tol 和 max_iter）。

  • ‘lsqr’ 使用专用的正则化最小二乘例程 scipy.sparse.linalg.lsqr。它速度最快，并使用迭代过程。

  • ‘sag’ 使用随机平均梯度下降，而 ‘saga’ 使用其无偏且更灵活的版本 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’ 的快速收敛仅在特征具有大致相同尺度时才得到保证。您可以使用 sklearn.preprocessing 中的缩放器对数据进行预处理。

    0.17 版本新增: 随机平均梯度下降求解器。

    0.19 版本新增: SAGA 求解器。

  • ‘lbfgs’ 使用 scipy.optimize.minimize 中实现的 L-BFGS-B 算法。仅当 positive 为 True 时才能使用。

positive布尔值, 默认为 False

当设置为 True 时，强制系数为正。在这种情况下，只支持 ‘lbfgs’ 求解器。

random_state整数, RandomState 实例, 默认为 None

当 solver == ‘sag’ 或 ‘saga’ 时用于打乱数据。详见术语表。

属性:
coef_形状为 (1, n_features) 或 (n_classes, n_features) 的 ndarray

决策函数中特征的系数。

coef_ 是形状为 (1, n_features) 的，当给定问题为二元分类时。

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

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

n_iter_None 或形状为 (n_targets,) 的 ndarray

每个目标的实际迭代次数。仅适用于 sag 和 lsqr 求解器。其他求解器将返回 None。

classes_形状为 (n_classes,) 的 ndarray

类别标签。

n_features_in_整数

在 fit 期间看到的特征数量。

0.24 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在 fit 期间看到的特征名称。仅当 X 的所有特征名称都是字符串时才定义。

1.0 版本新增。

solver_字符串

计算例程在拟合时使用的求解器。

1.5 版本新增。

另请参阅

Ridge

岭回归。

RidgeClassifierCV

内置交叉验证的岭分类器。

注意

对于多类别分类，n_class 分类器采用一对多（one-versus-all）方法进行训练。具体而言，这是通过利用 Ridge 中对多变量响应的支持来实现的。

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)[source]#

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比例。

参数:
X形状为 (n_samples, n_features) 的 {array-like, 稀疏矩阵}

我们想要获取置信度分数的数据矩阵。

返回:
scores形状为 (n_samples,) 或 (n_samples, n_classes) 的 ndarray

每个 (n_samples, n_classes) 组合的置信度分数。在二元情况下，self.classes_[1] 的置信度分数，其中 >0 意味着将预测该类别。

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

拟合岭分类器模型。

参数:
X形状为 (n_samples, n_features) 的 {ndarray, 稀疏矩阵}

训练数据。

y形状为 (n_samples,) 的 ndarray

目标值。

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

每个样本的单独权重。如果给定一个浮点数，每个样本将具有相同的权重。

0.17 版本新增: RidgeClassifier 支持 sample_weight。

返回:
self对象

估计器的实例。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

返回:
routingMetadataRequest

一个封装路由信息的 MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔值, 默认为 True

如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:
params字典

参数名称及其对应的值的映射。

predict(X)[source]#

预测 X 中样本的类别标签。

参数:
X形状为 (n_samples, n_features) 的 {array-like, 稀疏矩阵}

我们想要预测目标的数据矩阵。

返回:
y_pred形状为 (n_samples,) 或 (n_samples, n_outputs) 的 ndarray

包含预测值的向量或矩阵。在二元和多类别问题中，这是一个包含 n_samples 的向量。在多标签问题中，它返回一个形状为 (n_samples, n_outputs) 的矩阵。

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

返回给定数据和标签的准确率。

在多标签分类中，这是子集准确率，这是一个严格的指标，因为它要求每个样本的每个标签集都正确预测。

参数:
X形状为 (n_samples, n_features) 的 array-like

测试样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like

对应 X 的真实标签。

sample_weight形状为 (n_samples,) 的 array-like, 默认为 None

样本权重。

返回:
score浮点数

相对于 y 的 self.predict(X) 的平均准确率。

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

请求传递给 fit 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。请参阅用户指南以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，则请求被忽略。

  • False: 不请求元数据，并且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，元估计器将引发错误。

  • str: 元数据应使用此给定别名而不是原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版本新增。

注意

此方法仅在将此估计器用作元估计器（例如在 Pipeline 中使用）的子估计器时才相关。否则，它不起作用。

参数:
sample_weight字符串, True, False 或 None, 默认为 sklearn.utils.metadata_routing.UNCHANGED

用于 fit 方法中 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，以便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 = '$UNCHANGED$') → RidgeClassifier[source]#

请求传递给 score 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。请参阅用户指南以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，则请求被忽略。

  • False: 不请求元数据，并且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，元估计器将引发错误。

  • str: 元数据应使用此给定别名而不是原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版本新增。

注意

此方法仅在将此估计器用作元估计器（例如在 Pipeline 中使用）的子估计器时才相关。否则，它不起作用。

参数:
sample_weight字符串, True, False 或 None, 默认为 sklearn.utils.metadata_routing.UNCHANGED

用于 score 方法中 sample_weight 参数的元数据路由。

返回:
self对象

更新后的对象。