岭回归分类器CV#

class sklearn.linear_model.RidgeClassifierCV(alphas=(0.1, 1.0, 10.0), *, fit_intercept=True, scoring=None, cv=None, class_weight=None, store_cv_results=None, store_cv_values='deprecated')[source]#

具有内置交叉验证的岭回归分类器。

参见关于交叉验证估计器的词汇表条目。

默认情况下，它执行留一法交叉验证。目前，只有 n_features > n_samples 的情况才能高效处理。

更多信息请阅读用户指南。

参数：
alphas形状为 (n_alphas,) 的类数组，默认值=(0.1, 1.0, 10.0)

要尝试的 alpha 值数组。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降低了估计值的方差。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)。如果使用留一法交叉验证，则 alphas 必须严格为正。

fit_intercept布尔值，默认值为 True

是否计算此模型的截距。如果设置为 false，则计算中不会使用截距（即，数据应居中）。

scoringstr，可调用对象，默认值为 None

一个字符串（参见评分参数：定义模型评估规则）或一个可调用评分器对象/函数，其签名为 scorer(estimator, X, y)。

cv整数，交叉验证生成器或可迭代对象，默认值为 None

确定交叉验证拆分策略。cv 的可能输入为：

  • None，使用高效的留一法交叉验证

  • 整数，指定折叠数。

  • CV 分割器,

  • 一个可迭代对象，生成 (train, test) 分割作为索引数组。

请参考用户指南了解此处可使用的各种交叉验证策略。

class_weight字典或 'balanced'，默认值为 None

与类关联的权重，形式为 {class_label: weight}。如果没有给出，则所有类都被认为权重为 1。

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

store_cv_results布尔值，默认值为 False

指示是否应将对应于每个 alpha 的交叉验证结果存储在 cv_results_ 属性中（见下文）。此标志仅与 cv=None（即使用留一法交叉验证）兼容。

1.5 版中的更改： 参数名称从 store_cv_values 更改为 store_cv_results。

store_cv_values布尔值

指示是否应将对应于每个 alpha 的交叉验证值存储在 cv_values_ 属性中（见下文）。此标志仅与 cv=None（即使用留一法交叉验证）兼容。

自 1.5 版起已弃用： store_cv_values 在 1.5 版中已弃用，并推荐使用 store_cv_results，它将在 1.7 版中删除。

属性：
cv_results_形状为 (n_samples, n_targets, n_alphas) 的 ndarray，可选

每个 alpha 的交叉验证结果（仅当 store_cv_results=True 和 cv=None 时）。调用 fit() 后，如果 scoring is None，此属性将包含均方误差；否则，它将包含标准化的每点预测值。

1.5 版中的更改： cv_values_ 更改为 cv_results_。

coef_形状为 (1, n_features) 或 (n_targets, 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。

alpha_浮点数

估计的正则化参数。

best_score_浮点数

具有最佳 alpha 的基础估计器的分数。

0.23 版中添加。

classes_形状为 (n_classes,) 的 ndarray

类标签。

n_features_in_整数

在拟合期间看到的特征数量。

0.24 版中添加。

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 的特征名称全部为字符串时才定义。

1.0 版中添加。

另请参见

Ridge

岭回归。

RidgeClassifier

岭分类器。

RidgeCV

具有内置交叉验证的岭回归。

备注

对于多类分类，n_class 分类器采用一对多方法进行训练。具体来说，这是通过利用 Ridge 中的多变量响应支持来实现的。

示例

>>> from sklearn.datasets import load_breast_cancer
>>> from sklearn.linear_model import RidgeClassifierCV
>>> X, y = load_breast_cancer(return_X_y=True)
>>> clf = RidgeClassifierCV(alphas=[1e-3, 1e-2, 1e-1, 1]).fit(X, y)
>>> clf.score(X, y)
0.9630...
property classes_#

类标签。

decision_function(X)[source]#

预测样本的置信度分数。

样本的置信度分数与该样本到超平面的带符号距离成正比。

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

我们要获取置信度分数的数据矩阵。

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

每个 (n_samples, n_classes) 组合的置信度分数。在二元情况下，self.classes_[1] 的置信度分数，其中 >0 表示将预测此类。

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

使用交叉验证拟合岭回归分类器。

参数：
Xndarray 形状为 (n_samples, n_features)

训练向量，其中 n_samples 是样本数，n_features 是特征数。使用 GCV 时，如有必要将转换为 float64 类型。

yndarray 形状为 (n_samples,)

目标值。如有必要将转换为 X 的数据类型。

sample_weightfloat 或 ndarray 形状为 (n_samples,)，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。

**paramsdict，默认为 None

传递给底层评分器的参数。

1.5 版本新增： 仅当 enable_metadata_routing=True 时可用，可以通过使用 sklearn.set_config(enable_metadata_routing=True) 设置。更多详情请参见 元数据路由用户指南。

返回：
selfobject

已拟合的估计器。

get_metadata_routing()[source]#

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。

1.5 版本新增。

返回：
routingMetadataRouter

一个 MetadataRouter 封装路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：
deepbool，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：
paramsdict

参数名称与其值的映射。

predict(X)[source]#

预测 X 中样本的类别标签。

参数：
X{array-like, 稀疏矩阵} 形状为 (n_samples, n_features)

我们要预测目标数据的矩阵。

返回：
y_predndarray 形状为 (n_samples,) 或 (n_samples, n_outputs)

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，它返回形状为 (n_samples, n_outputs) 的矩阵。

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

返回给定测试数据和标签上的平均准确率。

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：
Xarray-like 形状为 (n_samples, n_features)

测试样本。

yarray-like 形状为 (n_samples,) 或 (n_samples, n_outputs)

X 的真实标签。

sample_weightarray-like 形状为 (n_samples,)，默认为 None

样本权重。

返回：
scorefloat

self.predict(X) 关于 y 的平均准确率。

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

请求传递给 fit 方法的元数据。

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

每个参数的选项为

  • 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：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的请求。

版本 1.3 中新增。

注意

只有当此估计器用作元估计器的子估计器时（例如，在Pipeline内部使用），此方法才相关。否则，它没有效果。

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：
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 = '$UNCHANGED$') → RidgeClassifierCV[source]#

请求传递给score方法的元数据。

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

每个参数的选项为

  • 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：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的请求。

版本 1.3 中新增。

注意

只有当此估计器用作元估计器的子估计器时（例如，在Pipeline内部使用），此方法才相关。否则，它没有效果。

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：
selfobject

更新后的对象。