sklearn.linear_model#

各种线性模型。

用户指南： 详见线性模型部分。

以下小节仅为粗略指导：同一个估计器根据其参数的不同，可能属于多个类别。

线性分类器#

`LogisticRegression`	Logistic 回归（又名 logit，MaxEnt）分类器。
`LogisticRegressionCV`	Logistic 回归 CV（又名 logit，MaxEnt）分类器。
`PassiveAggressiveClassifier`	Passive Aggressive 分类器。
`Perceptron`	线性感知器分类器。
`RidgeClassifier`	使用 Ridge 回归的分类器。
`RidgeClassifierCV`	具有内置交叉验证的 Ridge 分类器。
`SGDClassifier`	具有 SGD 训练的线性分类器（SVM、logistic 回归等）。
`SGDOneClassSVM`	使用随机梯度下降求解线性 One-Class SVM。

`LinearRegression`	普通最小二乘线性回归。
`Ridge`	具有 l2 正则化的线性最小二乘。
`RidgeCV`	具有内置交叉验证的 Ridge 回归。
`SGDRegressor`	通过使用 SGD 最小化正则化经验损失来拟合的线性模型。

以下估计器具有内置的变量选择拟合过程，但任何使用L1或弹性网络惩罚的估计器也会执行变量选择：通常是具有适当惩罚的SGDRegressor或SGDClassifier。

`ElasticNet`	具有组合 L1 和 L2 先验作为正则化项的线性回归。
`ElasticNetCV`	具有沿正则化路径迭代拟合的 Elastic Net 模型。
`Lars`	最小角回归模型 (LARS)
`LarsCV`	交叉验证的最小角回归模型。
`Lasso`	使用 L1 先验作为正则化项训练的线性模型（又名 Lasso）。
`LassoCV`	具有沿正则化路径迭代拟合的 Lasso 线性模型。
`LassoLars`	通过最小角回归拟合的Lasso模型 (LassoLars)
`LassoLarsCV`	使用 LARS 算法的交叉验证 Lasso。
`LassoLarsIC`	使用 BIC 或 AIC 进行模型选择的 Lars 拟合 Lasso 模型。
`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)。

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

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。虽然推断出的系数在不同任务之间可能有所不同，但它们在所选特征（非零系数）上被约束为一致。

`MultiTaskElasticNet`	使用 L1/L2 混合范数作为正则化项训练的多任务 ElasticNet 模型。
`MultiTaskElasticNetCV`	具有内置交叉验证的多任务 L1/L2 ElasticNet。
`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。

任何使用Huber损失的估计器也会对异常值鲁棒，例如，loss='huber'的SGDRegressor。

`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 (RANdom SAmple Consensus) 算法。
`TheilSenRegressor`	Theil-Sen 估算器：鲁棒多元回归模型。

这些模型允许响应变量具有非正态分布的误差分布。

`PassiveAggressiveRegressor`	Passive Aggressive 回归器。
`enet_path`	使用坐标下降计算 elastic net 路径。
`lars_path`	使用 LARS 算法计算最小角回归或 Lasso 路径。
`lars_path_gram`	足够统计模式下的 lars_path。
`lasso_path`	使用坐标下降计算 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`	通过正规方程组方法求解岭方程。