sklearn.linear_model

各种线性模型。

用户指南。 更多详情请参见 线性模型 部分。

以下小节仅为粗略指南：同一个估计器可以根据其参数属于多个类别。

线性分类器

LogisticRegression	逻辑回归（又称logit，MaxEnt）分类器。
LogisticRegressionCV	逻辑回归CV（又称logit，MaxEnt）分类器。
PassiveAggressiveClassifier	被动攻击分类器。
Perceptron	线性感知器分类器。
RidgeClassifier	使用岭回归的分类器。
RidgeClassifierCV	具有内置交叉验证的岭分类器。
SGDClassifier	使用SGD训练的线性分类器（SVM、逻辑回归等）。
SGDOneClassSVM	使用随机梯度下降法求解线性一类SVM。

经典线性回归器

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法。
RidgeCV	具有内置交叉验证的岭回归。
SGDRegressor	通过最小化正则化经验损失用SGD拟合的线性模型。

具有变量选择的回归器

以下估计器具有内置的变量选择拟合程序，但是任何使用L1或弹性网络惩罚的估计器也执行变量选择：通常是SGDRegressor或SGDClassifier（带有适当的惩罚）。

ElasticNet	具有组合L1和L2先验作为正则化器的线性回归。
ElasticNetCV	具有沿正则化路径迭代拟合的弹性网络模型。
Lars	最小角回归模型，又名
LarsCV	交叉验证的最小角回归模型。
Lasso	使用L1先验作为正则化器的线性模型（又名Lasso）。
LassoCV	具有沿正则化路径迭代拟合的Lasso线性模型。
LassoLars	使用最小角回归拟合的Lasso模型，又名
LassoLarsCV	使用LARS算法的交叉验证Lasso。
LassoLarsIC	使用LARS并使用BIC或AIC进行模型选择的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)。

贝叶斯回归器

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

具有变量选择的多分量线性回归器

这些估计器联合拟合多个回归问题（或任务），同时诱导稀疏系数。虽然推断出的系数在任务之间可能有所不同，但它们被约束为同意选择的特征（非零系数）。

MultiTaskElasticNet	使用L1/L2混合范数作为正则化器的多分量弹性网络模型。
MultiTaskElasticNetCV	具有内置交叉验证的多分量L1/L2弹性网络。
MultiTaskLasso	使用L1/L2混合范数作为正则化器的多分量Lasso模型。
MultiTaskLassoCV	使用L1/L2混合范数作为正则化器的多分量Lasso模型。

鲁棒性回归器

任何使用Huber损失的估计器也对异常值具有鲁棒性，例如，SGDRegressor with loss='huber'。

HuberRegressor	对异常值具有鲁棒性的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估计器：鲁棒的多元回归模型。

回归的广义线性模型 (GLM)

这些模型允许响应变量具有除正态分布以外的误差分布。

GammaRegressor	具有Gamma分布的广义线性模型。
PoissonRegressor	具有泊松分布的广义线性模型。
TweedieRegressor	具有Tweedie分布的广义线性模型。

其他

PassiveAggressiveRegressor	被动攻击回归器。
enet_path	使用坐标下降法计算弹性网络路径。
lars_path	使用LARS算法计算最小角回归或Lasso路径。
lars_path_gram	充分统计模式下的lars_path。
lasso_path	使用坐标下降法计算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	用正规方程法求解岭方程。