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) 将岭回归（带 L2 范数正则化的线性最小二乘）与核技巧相结合。因此，它在由相应核和数据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，KRR 模型可以以闭合形式拟合，并且对于中等大小的数据集通常更快。另一方面，KRR 学习的模型是非稀疏的，因此在预测时比 SVR 慢，因为 SVR 在 epsilon > 0 时学习稀疏模型。

此估计器内置支持多变量回归（即，当 y 是形状为 [n_samples, n_targets] 的 2D 数组时）。

在用户指南中阅读更多内容。

参数:
alpha浮点数或形状为 (n_targets,) 的类数组，默认值=1.0

正则化强度；必须是正浮点数。正则化改善了问题的条件性并降低了估计值的方差。值越大表示正则化强度越大。Alpha 对应于其他线性模型（如LogisticRegression或LinearSVC）中的 1 / (2C)。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。有关公式，请参阅岭回归和分类。

kernel字符串或可调用对象，默认值=”linear”

内部使用的核映射。此参数直接传递给pairwise_kernels。如果kernel是一个字符串，它必须是pairwise.PAIRWISE_KERNEL_FUNCTIONS中的度量之一或“precomputed”。如果kernel是“precomputed”，则假定 X 是一个核矩阵。另外，如果kernel是一个可调用函数，它将对每对实例（行）调用，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。这意味着不允许使用sklearn.metrics.pairwise中的可调用函数，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。

gamma浮点数，默认值=None

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

degree浮点数，默认值=3

多项式核的次数。其他核会忽略此参数。

coef0浮点数，默认值=1

多项式和 sigmoid 核的零系数。其他核会忽略此参数。

kernel_params字典，默认值=None

作为可调用对象传递的核函数的附加参数（关键字参数）。

属性:
dual_coef_形状为 (n_samples,) 或 (n_samples, n_targets) 的 ndarray

核空间中权重向量的表示

X_fit_形状为 (n_samples, n_features) 的 {ndarray, 稀疏矩阵}

训练数据，预测时也需要。如果 kernel == “precomputed”，则这是预计算的训练矩阵，形状为 (n_samples, n_samples)。

n_features_in_整型

在拟合期间看到的特征数量。

0.24 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在拟合期间看到的特征名称。仅当X的特征名称都是字符串时才定义。

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优和预测不确定性。

sklearn.linear_model.Ridge

线性岭回归。

sklearn.linear_model.RidgeCV

内置交叉验证的岭回归。

sklearn.svm.SVR

支持向量回归，支持多种核函数。

参考文献

  • Kevin P. Murphy “Machine Learning: A Probabilistic Perspective”，麻省理工学院出版社，第 14.4.3 章，第 492-493 页

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:
X形状为 (n_samples, n_features) 的 {类数组，稀疏矩阵}

训练数据。如果 kernel == “precomputed”，则这是预计算的核矩阵，形状为 (n_samples, n_samples)。

y形状为 (n_samples,) 或 (n_samples, n_targets) 的类数组

目标值。

sample_weight浮点数或形状为 (n_samples,) 的类数组，默认值=None

每个样本的单独权重，如果传入 None 则忽略。

返回:
self对象

返回实例本身。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

返回:
routingMetadataRequest

一个封装路由信息的MetadataRequest对象。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔值，默认值=True

如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:
params字典

参数名称及其对应值的映射。

predict(X)[source]#

使用核岭模型进行预测。

参数:
X形状为 (n_samples, n_features) 的 {类数组，稀疏矩阵}

样本。如果 kernel == “precomputed”，则这是预计算的核矩阵，形状为 [n_samples, n_samples_fitted]，其中 n_samples_fitted 是此估计器拟合中使用的样本数量。

返回:
C形状为 (n_samples,) 或 (n_samples, n_targets) 的 ndarray

返回预测值。

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

返回测试数据上的决定系数。

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()。最佳分数是 1.0，也可能为负（因为模型可能任意差）。一个总是预测y期望值（不考虑输入特征）的常数模型，将获得 0.0 的\(R^2\)分数。

参数:
X形状为 (n_samples, n_features) 的类数组

测试样本。对于某些估计器，这可能是一个预计算的核矩阵，或者是一个通用对象列表，形状为(n_samples, n_samples_fitted)，其中n_samples_fitted是估计器拟合中使用的样本数量。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

X的真实值。

sample_weight形状为 (n_samples,) 的类数组，默认值=None

样本权重。

返回:
score浮点数

self.predict(X)相对于y的\(R^2\)分数。

说明

在回归器上调用score时使用的\(R^2\)分数从 0.23 版本开始使用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 = '$UNCHANGED$') → KernelRidge[source]#

请求传递给fit方法的元数据。

请注意，此方法仅在enable_metadata_routing=True时相关（参阅sklearn.set_config）。请参阅用户指南以了解路由机制的工作原理。

每个参数的选项是

  • 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，并且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，元估计器将引发错误。

  • str：元数据应以给定别名而非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。

1.3 版本新增。

注意

此方法仅在将此估计器用作元估计器的子估计器时相关，例如在Pipeline内部使用时。否则它没有效果。

参数:
sample_weight字符串，True，False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED

fit方法中sample_weight参数的元数据路由。

返回:
self对象

更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单估计器以及嵌套对象（例如Pipeline）。后者具有<component>__<parameter>形式的参数，因此可以更新嵌套对象的每个组件。

参数:
**params字典

估计器参数。

返回:
self估计器实例

估计器实例。

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

请求传递给score方法的元数据。

请注意，此方法仅在enable_metadata_routing=True时相关（参阅sklearn.set_config）。请参阅用户指南以了解路由机制的工作原理。

每个参数的选项是

  • 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，并且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，元估计器将引发错误。

  • str：元数据应以给定别名而非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。

1.3 版本新增。

注意

此方法仅在将此估计器用作元估计器的子估计器时相关，例如在Pipeline内部使用时。否则它没有效果。

参数:
sample_weight字符串，True，False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED

score方法中sample_weight参数的元数据路由。

返回:
self对象

更新后的对象。