RidgeCV#

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)[source]#

具有内置交叉验证的 Ridge 回归。

参见词汇表条目 交叉验证估计器。

默认情况下，它执行高效的留一交叉验证。

在用户指南中阅读更多内容。

参数:
alphas形状为 (n_alphas,) 的类数组，默认值=(0.1, 1.0, 10.0)

要尝试的 alpha 值数组。正则化强度；必须是正浮点数。正则化改善了问题的条件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（例如 LogisticRegression 或 LinearSVC）中的 1 / (2C)。如果使用留一交叉验证，alpha 必须严格为正。

fit_interceptbool, default=True

Whether to calculate the intercept for this model. If set to false, no intercept will be used in calculations (i.e. data is expected to be centered).

scoringstr, callable, 默认值=None

用于交叉验证的评分方法。选项

  • str: 有关选项，请参阅 String name scorers。

  • callable: 带有签名 scorer(estimator, X, y) 的可调用评分器对象（例如函数）。有关详细信息，请参阅 Callable scorers。

  • None：如果 cv 为 None（即使用留一交叉验证），则为负 均方误差；否则为 决定系数 (\(R^2\))。

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

确定交叉验证拆分策略。cv 的可能输入包括

  • None，以使用高效的留一交叉验证

  • 整数，指定折数。

  • CV 分割器,

  • 一个可迭代对象，产生索引数组形式的 (训练集, 测试集) 拆分。

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

有关此处可使用的各种交叉验证策略，请参阅 用户指南。

gcv_mode{'auto', 'svd', 'eigen'}, 默认值='auto'

执行留一交叉验证时要使用的策略标志。选项为

'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方法中更便宜的一种。

store_cv_resultsbool, default=False

一个标志，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（即使用留一交叉验证）兼容。

1.5 版本中的更改: 参数名称从 store_cv_values 更改为 store_cv_results。

alpha_per_targetbool, 默认值=False

一个标志，指示是否为每个目标单独优化 alpha 值（从 alphas 参数列表中选取）（对于多输出设置：多个预测目标）。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，所有目标使用单个 alpha。

0.24 版本新增。

属性:
cv_results_形状为 (n_samples, n_alphas) 或 (n_samples, n_targets, n_alphas) 的 ndarray，可选

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，此属性将包含均方误差，否则将包含标准化后的每个点的预测值。

1.5 版本中的更改: cv_values_ 更改为 cv_results_。

coef_形状为 (n_features) 或 (n_targets, n_features) 的 ndarray

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_浮点数或形状为 (n_targets,) 的 ndarray

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

使用最佳 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 版本新增。

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

Ridge

岭回归。

RidgeClassifier

基于对 {-1, 1} 标签进行岭回归的分类器。

RidgeClassifierCV

带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]#

用 cv 拟合岭回归模型。

参数:
Xndarray of shape (n_samples, n_features)

训练数据。如果使用 GCV，必要时将转换为 float64。

yndarray of shape (n_samples,) or (n_samples, n_targets)

目标值。如有必要，将被转换为 X 的 dtype。

sample_weightfloat or ndarray of shape (n_samples,), default=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。

**paramsdict, default=None

要传递给底层评分器的参数。

Added in version 1.5: Only available if enable_metadata_routing=True, which can be set by using sklearn.set_config(enable_metadata_routing=True). See Metadata Routing User Guide for more details.

返回:
selfobject

拟合的估计器。

注意事项

提供 sample_weight 时，选择的超参数可能取决于我们是使用留一交叉验证 (cv=None) 还是其他形式的交叉验证，因为只有留一交叉验证在计算验证分数时才会考虑样本权重。

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。

1.5 版本新增。

返回:
routingMetadataRouter

封装路由信息的 MetadataRouter。

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]#

使用线性模型进行预测。

参数:
Xarray-like or sparse matrix, shape (n_samples, n_features)

样本。

返回:
Carray, shape (n_samples,)

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()。最佳可能分数为 1.0，它也可以为负（因为模型可能任意差）。一个总是预测 y 期望值而不考虑输入特征的常数模型将获得 0.0 的 \(R^2\) 分数。

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

从 0.23 版本开始，调用回归器的 score 方法时使用的 \(R^2\) 分数使用 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（MultiOutputRegressor 除外）的 score 方法。

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