KernelRidge#

class sklearn.kernel_ridge.KernelRidge(alpha=1, *, kernel='linear', gamma=None, degree=3, coef0=1, kernel_params=None)[source]#

核岭回归。

核岭回归（KRR）结合了岭回归（带有l2范数正则化的线性最小二乘法）和核技巧。因此，它在由相应核和数据所诱导的空间中学习一个线性函数。对于非线性核，这对应于原始空间中的非线性函数。

KRR学习到的模型形式与支持向量回归（SVR）相同。然而，它们使用了不同的损失函数：KRR使用平方误差损失，而支持向量回归使用epsilon不敏感损失，两者都结合了l2正则化。与SVR相比，拟合KRR模型可以以封闭形式完成，对于中等大小的数据集通常更快。另一方面，学习到的模型是非稀疏的，因此在预测时比SVR慢，后者对于epsilon > 0会学习一个稀疏模型。

该估计器内置支持多变量回归（即，当y是形状为[n_samples, n_targets]的二维数组时）。

在用户指南中阅读更多内容。

参数:
alphafloat or array-like of shape (n_targets,), default=1.0

正则化强度；必须是一个正浮点数。正则化改善了问题的条件性并减少了估计的方差。值越大表示正则化越强。Alpha对应于其他线性模型中的1 / (2C)，例如LogisticRegression或LinearSVC。如果传入一个数组，则假定惩罚是针对特定目标的。因此它们的数量必须对应。请参阅岭回归和分类以获取公式。

kernelstr or callable, default=”linear”

内部使用的核映射。此参数直接传递给pairwise_kernels。如果kernel是字符串，它必须是pairwise.PAIRWISE_KERNEL_FUNCTIONS中的度量之一，或者是“precomputed”。如果kernel是“precomputed”，则假定X是核矩阵。另外，如果kernel是一个可调用函数，它将作用于每一对实例（行），并记录结果值。该可调用函数应以X中的两行为输入，并返回相应的核值作为单个数字。这意味着sklearn.metrics.pairwise中的可调用函数是不允许的，因为它们对矩阵而不是单个样本进行操作。请改用标识核的字符串。

gammafloat, default=None

RBF、拉普拉斯、多项式、指数chi2和sigmoid核的Gamma参数。默认值的解释留给核本身；请参阅sklearn.metrics.pairwise的文档。其他核会忽略此参数。

degreefloat, default=3

版本 1.1 中更改: 添加了新的标记方法 'cluster_qr'。

coef0float, default=1

多项式核的度数。其他核忽略。

kernel_paramsdict, default=None

作为可调用对象传入的核函数的附加参数（关键字参数）。

属性:
dual_coef_ndarray of shape (n_samples,) or (n_samples, n_targets)

核空间中权重向量的表示

X_fit_{ndarray, sparse matrix} of shape (n_samples, n_features)

训练数据，预测也需要它。如果kernel == “precomputed”，这 instead is the precomputed training matrix, of shape (n_samples, n_samples)。

n_features_in_int

在 拟合 期间看到的特征数。

0.24 版本新增。

feature_names_in_shape 为 (n_features_in_,) 的 ndarray

在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

另请参阅

sklearn.gaussian_process.GaussianProcessRegressor

高斯过程回归器，提供自动核超参数调整和预测不确定性。

sklearn.linear_model.Ridge

线性岭回归。

sklearn.linear_model.RidgeCV

具有内置交叉验证的 Ridge 回归。

sklearn.svm.SVR

支持向量回归，接受各种核。

References

  • Kevin P. Murphy “Machine Learning: A Probabilistic Perspective”, The MIT Press chapter 14.4.3, pp. 492-493

示例

>>> from sklearn.kernel_ridge import KernelRidge
>>> import numpy as np
>>> n_samples, n_features = 10, 5
>>> rng = np.random.RandomState(0)
>>> y = rng.randn(n_samples)
>>> X = rng.randn(n_samples, n_features)
>>> krr = KernelRidge(alpha=1.0)
>>> krr.fit(X, y)
KernelRidge(alpha=1.0)
fit(X, y, sample_weight=None)[source]#

拟合核岭回归模型。

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

训练数据。如果kernel == “precomputed”，这 instead is a precomputed kernel matrix, of shape (n_samples, n_samples)。

yshape 为 (n_samples,) 或 (n_samples, n_targets) 的 array-like

目标值。

sample_weightfloat or array-like of shape (n_samples,), default=None

每个样本的个体权重，如果传入None则忽略。

返回:
selfobject

返回实例本身。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅 用户指南，了解路由机制如何工作。

返回:
routingMetadataRequest

封装路由信息的 MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deepbool, default=True

如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:
paramsdict

参数名称映射到其值。

predict(X)[source]#

使用核岭模型进行预测。

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

样本。如果kernel == “precomputed”，这 instead is a precomputed kernel matrix, shape = [n_samples, n_samples_fitted], where n_samples_fitted is the number of samples used in the fitting for this estimator。

返回:
Cndarray of shape (n_samples,) or (n_samples, n_targets)

返回预测值。

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

返回测试数据的 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()，\(v\)是总平方和((y_true - y_true.mean()) ** 2).sum()。最佳得分是1.0，它也可以是负数（因为模型可能任意糟糕）。一个总是预测y的期望值而忽略输入特征的常数模型将获得0.0的\(R^2\)得分。

参数:
Xshape 为 (n_samples, n_features) 的 array-like

测试样本。对于某些估计器，这可能是一个预先计算的核矩阵或一个通用对象列表，形状为 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是用于估计器拟合的样本数。

yshape 为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like

X 的真实值。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

样本权重。

返回:
scorefloat

self.predict(X) 相对于 y 的 \(R^2\)。

注意事项

在版本0.23中，调用回归器的score方法时使用的\(R^2\)得分使用了multioutput='uniform_average'，以与r2_score的默认值保持一致。这会影响所有多输出回归器（除了MultiOutputRegressor）的score方法。

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

配置是否应请求元数据以传递给 fit 方法。

请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看 用户指南 以了解路由机制的工作原理。

每个参数的选项如下：

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

  • 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，元估计器将引发错误。

  • str：应将元数据以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。

在版本 1.3 中新增。

参数:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

fit 方法中 sample_weight 参数的元数据路由。

返回:
selfobject

更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（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:
**paramsdict

估计器参数。

返回:
selfestimator instance

估计器实例。

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

配置是否应请求元数据以传递给 score 方法。

请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看 用户指南 以了解路由机制的工作原理。

每个参数的选项如下：

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

  • 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，元估计器将引发错误。

  • str：应将元数据以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。

在版本 1.3 中新增。

参数:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

score 方法中 sample_weight 参数的元数据路由。

返回:
selfobject

更新后的对象。