岭回归分类器#

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]#

使用岭回归的分类器。

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）。

更多信息请参见 用户指南。

参数：
alphafloat, default=1.0

正则化强度；必须是正浮点数。正则化提高了问题的条件数，并减少了估计值的方差。较大的值指定更强的正则化。在其他线性模型（如 LogisticRegression 或 LinearSVC）中，alpha 对应于 1 / (2C)。

fit_intercept布尔值，默认为 True

是否为该模型计算截距。如果设置为 False，则计算中不使用截距（例如，预期数据已居中）。

copy_X布尔值，默认为 True

如果为 True，则复制 X；否则，可能会覆盖 X。

max_iter整数，默认为 None

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

tol浮点数，默认为 1e-4

解的精度 (coef_) 由 tol 确定，它为每个求解器指定不同的收敛准则。

  • ‘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，它们根据矩阵和系数的范数控制残差向量的范数。

  • ‘sag’ 和 ‘saga’：coef 的相对变化小于 tol。

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

1.2 版本中的变更： 为与其他线性模型保持一致，默认值从 1e-3 更改为 1e-4。

class_weight字典或 'balanced'，默认为 None

与类关联的权重，形式为 {class_label: weight}。如果没有给出，则所有类都应该具有权重 1。

“balanced”模式使用 y 的值来自动调整权重，使其与输入数据中类的频率成反比，如 n_samples / (n_classes * np.bincount(y))。

solver{‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’, ‘lbfgs’}，默认为 ‘auto’

在计算程序中使用的求解器。

  • ‘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 Ridge 系数。它是最稳定的求解器，特别是对于奇异矩阵比 ‘cholesky’ 更稳定，但速度较慢。

  • ‘cholesky’ 使用标准的 scipy.linalg.solve 函数来获得闭式解。

  • ‘sparse_cg’ 使用 scipy.sparse.linalg.cg 中的共轭梯度求解器。作为一种迭代算法，对于大型数据，此求解器比 ‘cholesky’ 更合适（可以设置 tol 和 max_iter）。

  • ‘lsqr’ 使用专用的正则化最小二乘程序 scipy.sparse.linalg.lsqr。它是速度最快的，并使用迭代过程。

  • ‘sag’ 使用随机平均梯度下降，而 ‘saga’ 使用其名为 SAGA 的无偏且更灵活的版本。这两种方法都使用迭代过程，并且当 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’ 的快速收敛仅在具有近似相同尺度的特征上得到保证。您可以使用 sklearn.preprocessing 中的缩放器预处理数据。

    0.17 版本中新增： 随机平均梯度下降求解器。

    0.19 版本中新增： SAGA 求解器。

  • ‘lbfgs’ 使用 scipy.optimize.minimize 中实现的 L-BFGS-B 算法。只有当 positive 为 True 时才能使用。

positive布尔值，默认为 False

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

random_state整数、RandomState 实例，默认为 None

当 solver == ‘sag’ 或 ‘saga’ 时用于打乱数据。详情请参见 词汇表。

属性：
coef_形状为 (1, n_features) 或 (n_classes, n_features) 的 ndarray

决策函数中特征的系数。

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

intercept_浮点数或形状为 (n_targets,) 的 ndarray

决策函数中的独立项。如果 fit_intercept = False，则设置为 0.0。

n_iter_None 或形状为 (n_targets,) 的 ndarray

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_形状为 (n_classes,) 的 ndarray

类别标签。

n_features_in_整数

在 拟合期间看到的特征数。

0.24 版本中新增。

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 具有全部为字符串的特征名称时才定义。

1.0 版本中新增。

solver_字符串

在拟合时计算程序使用的求解器。

1.5 版本中新增。

另请参见

Ridge

岭回归。

RidgeClassifierCV

具有内置交叉验证的岭分类器。

备注

对于多类别分类，采用一对多方法训练n_class个分类器。具体来说，这是通过利用Ridge中的多元响应支持来实现的。

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...
属性 classes_#

类别标签。

decision_function(X)[源代码]#

预测样本的置信度得分。

样本的置信度得分与其到超平面的带符号距离成正比。

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

我们要获取置信度得分的矩阵。

返回:
scores形状为 (n_samples,) 或 (n_samples, n_classes) 的ndarray

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，其中 >0 表示将预测此类别。

fit(X, y, sample_weight=None)[源代码]#

拟合 Ridge 分类器模型。

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

训练数据。

y形状为 (n_samples,) 的ndarray

目标值。

sample_weight浮点数或形状为 (n_samples,) 的ndarray，默认为 None

每个样本的个体权重。如果给定一个浮点数，则每个样本将具有相同的权重。

0.17 版本新增: sample_weight 支持 RidgeClassifier。

返回:
self对象

估计器的实例。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请查看 用户指南，了解路由机制的工作原理。

返回:
routingMetadataRequest

一个 MetadataRequest 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数：
deep布尔值，默认为 True

如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回:
params字典

参数名称与其值的映射。

predict(X)[源代码]#

预测X中样本的类别标签。

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

我们要预测目标的矩阵。

返回:
y_pred形状为 (n_samples,) 或 (n_samples, n_outputs) 的ndarray

包含预测结果的向量或矩阵。在二元和多类别问题中，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)[源代码]#

返回给定测试数据和标签的平均准确率。

在多标签分类中，这是子集准确率，这是一个严格的指标，因为您要求每个样本的每个标签集都必须被正确预测。

参数：
X形状为 (n_samples, n_features) 的类数组

测试样本。

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

X 的真实标签。

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

样本权重。

返回:
score浮点数

self.predict(X) 关于 y 的平均准确率。

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

请求传递到fit方法的元数据。

请注意，只有当enable_metadata_routing=True时（参见sklearn.set_config），此方法才相关。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项：

  • True：请求元数据，如果提供则传递到fit。如果未提供元数据，则忽略请求。

  • False：不请求元数据，元估计器不会将其传递到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：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而无需更改其他参数。

版本1.3中新增。

注意

仅当将此估计器用作元估计器的子估计器（例如，在Pipeline内部使用）时，此方法才相关。否则，它没有任何作用。

参数：
sample_weightstr, 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。

此方法适用于简单的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：
**paramsdict

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 = '$UNCHANGED$') → RidgeClassifier[source]#

请求传递到score方法的元数据。

请注意，只有当enable_metadata_routing=True时（参见sklearn.set_config），此方法才相关。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项：

  • True：请求元数据，如果提供则传递到score。如果未提供元数据，则忽略请求。

  • False：不请求元数据，元估计器不会将其传递到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：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而无需更改其他参数。

版本1.3中新增。

注意

仅当将此估计器用作元估计器的子估计器（例如，在Pipeline内部使用）时，此方法才相关。否则，它没有任何作用。

参数：
sample_weightstr, 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。