RidgeClassifierCV#

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')[來源]#

具有內建交叉驗證的 Ridge 分類器。

請參閱交叉驗證估計器的詞彙表條目。

預設情況下，它執行留一交叉驗證。目前，僅有效處理 n_features > n_samples 的情況。

在使用者指南中閱讀更多內容。

參數:

alphas形狀為 (n_alphas,) 的類陣列，預設值為 (0.1, 1.0, 10.0)

嘗試使用的 alpha 值陣列。正規化強度；必須為正浮點數。正規化可以改善問題的條件並減少估計值的變異數。數值越大表示正規化越強。Alpha 對應於其他線性模型（例如 LogisticRegression 或 LinearSVC）中的 1 / (2C)。如果使用留一交叉驗證，alpha 值必須嚴格為正數。

fit_interceptbool，預設值為 True

是否計算此模型的截距。如果設定為 false，則計算中不會使用截距（即，預期資料已置中）。

scoringstr、callable，預設值為 None

字串（請參閱評分參數：定義模型評估規則）或具有簽名 scorer(estimator, X, y) 的評分器可呼叫物件/函式。

cvint、交叉驗證產生器或可迭代物件，預設值為 None

決定交叉驗證的分割策略。cv 的可能輸入為

None，使用高效的留一交叉驗證
整數，指定摺疊數。
CV 分割器,
一個可迭代物件，產生 (訓練，測試) 分割，作為索引陣列。

有關此處可使用的各種交叉驗證策略，請參閱使用者指南。

class_weightdict 或 ‘balanced’，預設值為 None

與類別相關聯的權重，形式為 {class_label: weight}。如果未提供，則假設所有類別的權重為 1。

“balanced” 模式使用 y 的值來自動調整權重，其與輸入資料中的類別頻率成反比，計算方式為 n_samples / (n_classes * np.bincount(y))。

store_cv_resultsbool，預設值為 False

標記，指示是否應將每個 alpha 對應的交叉驗證結果儲存在 cv_results_ 屬性中（請參閱下方）。此標記僅與 cv=None 相容（即使用留一交叉驗證）。

在 1.5 版本中變更：參數名稱從 store_cv_values 變更為 store_cv_results。

store_cv_valuesbool

標記，指示是否應將每個 alpha 對應的交叉驗證值儲存在 cv_values_ 屬性中（請參閱下方）。此標記僅與 cv=None 相容（即使用留一交叉驗證）。

自 1.5 版本起已棄用：store_cv_values 已在 1.5 版本中棄用，改用 store_cv_results，並將在 1.7 版本中移除。

屬性:

cv_results_形狀為 (n_samples, n_targets, n_alphas) 的 ndarray，可選

每個 alpha 的交叉驗證結果（僅當 store_cv_results=True 且 cv=None 時）。在呼叫 fit() 之後，如果 scoring is None，此屬性將包含均方誤差，否則將包含標準化的每點預測值。

在 1.5 版本中變更：cv_values_ 變更為 cv_results_。

coef_形狀為 (1, n_features) 或 (n_targets, n_features) 的 ndarray

決策函數中特徵的係數。

當給定的問題是二元時，coef_ 的形狀為 (1, n_features)。

intercept_浮點數或形狀為 (n_targets,) 的 ndarray

決策函數中的獨立項。如果 fit_intercept = False，則設定為 0.0。

alpha_浮點數

估計的正規化參數。

best_score_浮點數

具有最佳 alpha 的基本估計器的分數。

在 0.23 版本中新增。

classes_形狀為 (n_classes,) 的 ndarray

類別標籤。

n_features_in_整數

在 fit 期間看到的特徵數量。

在 0.24 版本中新增。

feature_names_in_形狀為 (n_features_in_,) 的 ndarray

在 fit 期間看到的特徵名稱。僅當 X 具有全為字串的特徵名稱時才定義。

在 1.0 版本中新增。

另請參閱

Ridge: 嶺迴歸。
RidgeClassifier: 嶺分類器。
RidgeCV: 具有內建交叉驗證的嶺迴歸。

注意事項

對於多類別分類，會在「一對多」方法中訓練 n_class 分類器。具體而言，這是透過利用 Ridge 中的多變數回應支援來實作的。

範例

>>> 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_#: 類別標籤。

decision_function(X)[原始碼]#

預測樣本的信賴分數。

樣本的信賴分數與該樣本到超平面的有符號距離成正比。

參數:

X形狀為 (n_samples, n_features) 的類陣列、稀疏矩陣: 我們想要取得信賴分數的資料矩陣。

傳回值:

scores形狀為 (n_samples,) 或 (n_samples, n_classes) 的 ndarray: 每個 (n_samples, n_classes) 組合的信賴分數。在二元情況下，self.classes_[1] 的信賴分數，其中 >0 表示將預測此類別。

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

使用 cv 擬合嶺分類器。

參數:

X形狀為 (n_samples, n_features) 的 ndarray: 訓練向量，其中 n_samples 是樣本數量，而 n_features 是特徵數量。當使用 GCV 時，如有必要將會轉換為 float64 型別。
y形狀為 (n_samples,) 的 ndarray: 目標值。如有必要，將會轉換為 X 的資料型別。
sample_weightfloat 或形狀為 (n_samples,) 的 ndarray，預設值為 None: 每個樣本的個別權重。如果給定一個 float，則每個樣本將具有相同的權重。
**paramsdict，預設值為 None: 要傳遞給底層評分器的參數。

在 1.5 版本中新增: 僅當 enable_metadata_routing=True 時才可用，此設定可透過使用 sklearn.set_config(enable_metadata_routing=True) 來設定。有關更多詳細資訊，請參閱中繼資料路由使用者指南。

傳回值:

self物件: 已擬合的估計器。

get_metadata_routing()[原始碼]#

取得此物件的中繼資料路由。

請查看使用者指南，了解路由機制如何運作。

在 1.5 版本中新增。

傳回值:

routingMetadataRouter: 一個封裝路由資訊的 MetadataRouter。

get_params(deep=True)[原始碼]#

取得此估計器的參數。

參數:

deepbool，預設值為 True: 如果為 True，將會傳回此估計器以及所包含的子物件（亦為估計器）的參數。

傳回值:

paramsdict: 參數名稱對應到其值的字典。

predict(X)[原始碼]#

預測 X 中樣本的類別標籤。

參數:

X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}: 我們想要預測目標值的資料矩陣。

傳回值:

y_pred形狀為 (n_samples,) 或 (n_samples, n_outputs) 的 ndarray: 包含預測值的向量或矩陣。在二元和多類別問題中，這是一個包含 n_samples 的向量。在多標籤問題中，它會傳回形狀為 (n_samples, n_outputs) 的矩陣。

score(X, y, sample_weight=None)[原始碼]#

傳回給定測試資料和標籤的平均準確度。

在多標籤分類中，這是子集準確度，由於您需要每個樣本的每個標籤集都被正確預測，因此這是一個嚴苛的指標。

參數:

X形狀為 (n_samples, n_features) 的類陣列: 測試樣本。
y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列: X 的真實標籤。
sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None: 樣本權重。

傳回值:

scorefloat: self.predict(X) 相對於 y 的平均準確度。

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

請求傳遞給 fit 方法的中繼資料。

請注意，只有當 enable_metadata_routing=True 時，此方法才相關（請參閱 sklearn.set_config）。有關路由機制如何運作，請參閱使用者指南。

每個參數的選項為：

True：請求中繼資料，並在提供時傳遞給 fit。如果未提供中繼資料，則忽略請求。
False：不請求中繼資料，並且 meta-estimator 不會將其傳遞給 fit。
None：不請求中繼資料，如果使用者提供中繼資料，則 meta-estimator 將會引發錯誤。
str：中繼資料應該以這個給定的別名傳遞給 meta-estimator，而不是原始名稱。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這允許您變更某些參數的請求，而不是其他參數。

在 1.3 版本中新增。

注意

只有當此估計器用作 meta-estimator 的子估計器時，例如在 Pipeline 內部使用時，此方法才相關。否則，它沒有任何作用。

參數:

sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED: 用於 fit 中的 sample_weight 參數的中繼資料路由。

傳回值:

self物件: 更新後的物件。

set_params(**params)[來源]#

設定此估算器的參數。

此方法適用於簡單的估算器以及巢狀物件（例如 Pipeline）。後者具有 <component>__<parameter> 形式的參數，因此可以更新巢狀物件的每個元件。

參數:

**paramsdict: 估算器參數。

傳回值:

self估算器實例: 估算器實例。

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

請求傳遞給 score 方法的中繼資料。

請注意，只有當 enable_metadata_routing=True 時，此方法才相關（請參閱 sklearn.set_config）。有關路由機制如何運作，請參閱使用者指南。

每個參數的選項為：

True：請求中繼資料，並在提供時傳遞給 score。如果未提供中繼資料，則會忽略該請求。
False：不請求中繼資料，並且元估算器不會將其傳遞給 score。
None：不請求中繼資料，如果使用者提供中繼資料，則 meta-estimator 將會引發錯誤。
str：中繼資料應該以這個給定的別名傳遞給 meta-estimator，而不是原始名稱。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的請求。這允許您變更某些參數的請求，而不是其他參數。

在 1.3 版本中新增。

注意

只有當此估計器用作 meta-estimator 的子估計器時，例如在 Pipeline 內部使用時，此方法才相關。否則，它沒有任何作用。

參數:

sample_weightstr、True、False 或 None，預設值為 sklearn.utils.metadata_routing.UNCHANGED: 用於 score 中 sample_weight 參數的中繼資料路由。

傳回值:

self物件: 更新後的物件。