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 Ridge 回归的分类器。

此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（在多类情况下为多输出回归）。

在用户指南中阅读更多内容。

参数:
alphafloat, default=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减少估计的方差。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_interceptbool, default=True

是否为模型计算截距。如果设置为 false，则计算中不使用截距（例如，数据预计已经中心化）。

copy_Xbool, default=True

如果为 True，X 将被复制；否则，它可能会被覆盖。

max_iterint, default=None

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

tolfloat, default=1e-4

解 (coef_) 的精度由 tol 决定，它为每个求解器指定了不同的收敛标准

  • ‘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，它们控制残差向量相对于矩阵和系数范数的范数。

  • ‘sag’ 和 ‘saga’：coef 的相对变化小于 tol。

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

版本1.2中更改：默认值从1e-3更改为1e-4，以便与其他线性模型保持一致。

class_weightdict or ‘balanced’, default=None

以 {class_label: weight} 形式与类关联的权重。如果未给出，则所有类都被假定权重为一。

“balanced” 模式使用 y 的值根据输入数据中与类频率成反比的权重自动调整权重，计算公式为 n_samples / (n_classes * np.bincount(y))。

solver{‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’, ‘lbfgs’}, default=’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，对于奇异矩阵比‘cholesky’更稳定，代价是速度较慢。

  • ‘cholesky’ 使用标准的 scipy.linalg.solve 函数获得封闭形式解。

  • ‘sparse_cg’ 使用 scipy.sparse.linalg.cg 中的共轭梯度求解器。作为迭代算法，该求解器比 ‘cholesky’ 更适合于大规模数据（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。它是最快的，并使用迭代过程。

  • ‘sag’ 使用随机平均梯度下降 (Stochastic Average Gradient descent)，‘saga’ 使用其无偏且更灵活的版本 SAGA。两种方法都使用迭代过程，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的尺度时才能保证。您可以使用 sklearn.preprocessing 中的缩放器对数据进行预处理。

    版本0.17中新增：随机平均梯度下降求解器。

    版本0.19中新增：SAGA求解器。

  • ‘lbfgs’ 使用 scipy.optimize.minimize 中实现的 L-BFGS-B 算法。它仅在 positive 为 True 时使用。

positivebool, default=False

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

random_stateint, RandomState instance, default=None

当solver == ‘sag’或‘saga’时用于打乱数据。有关详细信息，请参阅词汇表。

属性:
coef_ndarray of shape (1, n_features) or (n_classes, n_features)

决策函数中的特征系数。

当给定的问题是二元问题时，coef_ 的形状为 (1, n_features)。

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。

n_iter_None or ndarray of shape (n_targets,)

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_ndarray of shape (n_classes,)

类别标签。

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。

solver_str

在拟合时由计算例程使用的求解器。

1.5 版本新增。

另请参阅

Ridge

岭回归。

RidgeClassifierCV

具有内置交叉验证的岭分类器。

注意事项

对于多类分类，采用一对多的方法训练 n_class 个分类器。具体来说，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]#

预测样本的置信度得分。

样本的置信度得分与该样本到超平面的有符号距离成比例。

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

我们想要获取置信度得分的数据矩阵。

返回:
scoresndarray of shape (n_samples,) or (n_samples, n_classes)

每个 (n_samples, n_classes) 组合的置信度得分。在二元情况下，self.classes_[1] 的置信度得分大于 0 意味着将预测此类。

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

拟合 Ridge 分类器模型。

参数:
X{ndarray, sparse matrix} of shape (n_samples, n_features)

训练数据。

yndarray of shape (n_samples,)

目标值。

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。

版本 0.17 中新增： RidgeClassifier 支持 sample_weight。

返回:
selfobject

估计器的实例。

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]#

预测 X 中的样本的类别标签。

参数:
X{array-like, spare matrix} of shape (n_samples, n_features)

我们要预测目标的数据矩阵。

返回:
y_predndarray of shape (n_samples,) or (n_samples, n_outputs)

包含预测的向量或矩阵。在二元和多类问题中，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]#

返回在提供的数据和标签上的 准确率 (accuracy)。

在多标签分类中，这是子集准确率 (subset accuracy)，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被正确预测。

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

测试样本。

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

X 的真实标签。

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

样本权重。

返回:
scorefloat

self.predict(X) 相对于 y 的平均准确率。

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