RidgeCV#

class sklearn.linear_model.RidgeCV(alphas=(0.1, 1.0, 10.0), *, fit_intercept=True, scoring=None, cv=None, gcv_mode=None, store_cv_results=None, alpha_per_target=False, store_cv_values='deprecated')[原始碼]#

具有內建交叉驗證的 Ridge 迴歸。

請參閱詞彙表條目交叉驗證估計器。

預設情況下，它會執行有效的留一交叉驗證。

請在使用者指南中閱讀更多內容。

參數:

alphasarray-like，形狀為 (n_alphas,)，預設值為 (0.1, 1.0, 10.0)

要嘗試的 alpha 值陣列。正規化強度；必須為正浮點數。正規化改善了問題的條件，並減少了估計的變異數。較大的值指定較強的正規化。Alpha 對應於其他線性模型中的 1 / (2C)，例如 LogisticRegression 或 LinearSVC。如果使用留一交叉驗證，則 alpha 必須嚴格為正。

fit_interceptbool，預設值為 True

是否為此模型計算截距。如果設定為 False，則在計算中不會使用截距（即，預期資料是居中的）。

scoring字串、可呼叫的物件，預設值為 None

一個字串（請參閱評分參數：定義模型評估規則）或一個帶有簽名的評分器可呼叫物件/函數 scorer(estimator, X, y)。如果為 None，則如果 cv 是 'auto' 或 None（即，當使用留一交叉驗證時），則為負均方誤差，否則為 r2 分數。

cvint、交叉驗證產生器或可迭代的物件，預設值為 None

決定交叉驗證拆分策略。cv 的可能輸入為

None，以使用有效的留一交叉驗證
integer，以指定摺疊次數。
CV 分割器,
一個可產生 (train, test) 拆分作為索引陣列的可迭代物件。

對於 integer/None 輸入，如果 y 是二元或多類，則使用 StratifiedKFold，否則，使用 KFold。

請參閱使用者指南，以了解此處可以使用的各種交叉驗證策略。

gcv_mode{‘auto’, ‘svd’, ‘eigen’}，預設值為 ‘auto’

指示在執行留一交叉驗證時要使用哪種策略的旗標。選項為

'auto' : use 'svd' if n_samples > n_features, otherwise use 'eigen'
'svd' : force use of singular value decomposition of X when X is
    dense, eigenvalue decomposition of X^T.X when X is sparse.
'eigen' : force computation via eigendecomposition of X.X^T

「auto」模式是預設值，旨在根據訓練資料的形狀選擇兩者中較便宜的選項。

store_cv_resultsbool，預設值為 False

指示是否應將對應於每個 alpha 的交叉驗證值儲存在 cv_results_ 屬性中（請參閱下方）的旗標。此旗標僅與 cv=None（即使用留一交叉驗證）相容。

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

alpha_per_targetbool，預設值為 False

旗標，指示是否針對每個目標分別最佳化 alpha 值（從 alphas 參數清單中選取）（對於多輸出設定：多個預測目標）。當設定為 True 時，在擬合後，alpha_ 屬性將包含每個目標的值。當設定為 False 時，所有目標都使用單一 alpha。

在 0.24 版中新增。

store_cv_valuesbool

旗標，指示是否應將對應於每個 alpha 的交叉驗證值儲存在 cv_values_ 屬性中（請參閱下方）。此旗標僅與 cv=None（即使用留一交叉驗證）相容。

自 1.5 版起已棄用: store_cv_values 在 1.5 版中已棄用，改用 store_cv_results，並將在 1.7 版中移除。

屬性:

cv_results_ndarray，形狀為 (n_samples, n_alphas) 或 (n_samples, n_targets, n_alphas)，可選: 每個 alpha 的交叉驗證值（僅當 store_cv_results=True 且 cv=None 時可用）。在呼叫 fit() 後，如果 scoring is None，則此屬性將包含均方誤差，否則將包含標準化的每個點預測值。

在 1.5 版中變更: cv_values_ 變更為 cv_results_。
coef_ndarray，形狀為 (n_features) 或 (n_targets, n_features): 權重向量。
intercept_float 或 ndarray，形狀為 (n_targets,): 決策函數中的獨立項。如果 fit_intercept = False，則設定為 0.0。
alpha_float 或 ndarray，形狀為 (n_targets,): 估計的正規化參數，或者，如果 alpha_per_target=True，則為每個目標估計的正規化參數。
best_score_float 或 ndarray，形狀為 (n_targets,): 具有最佳 alpha 值的基礎估計器的分數，或者，如果 alpha_per_target=True，則為每個目標的分數。

在 0.23 版本中新增。
n_features_in_int: 在 fit 期間看到的特徵數量。

在 0.24 版中新增。
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 具有全部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: 基於 {-1, 1} 標籤上的嶺迴歸的分類器。
RidgeClassifierCV: 具有內建交叉驗證的嶺分類器。

範例

>>> from sklearn.datasets import load_diabetes
>>> from sklearn.linear_model import RidgeCV
>>> X, y = load_diabetes(return_X_y=True)
>>> clf = RidgeCV(alphas=[1e-3, 1e-2, 1e-1, 1]).fit(X, y)
>>> clf.score(X, y)
0.5166...

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

使用 cv 擬合嶺迴歸模型。

參數:

X形狀為 (n_samples, n_features) 的 ndarray: 訓練資料。如果使用 GCV，必要時將轉換為 float64。
y形狀為 (n_samples,) 或 (n_samples, n_targets) 的 ndarray: 目標值。必要時將轉換為 X 的 dtype。
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 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 時可用，可以使用 sklearn.set_config(enable_metadata_routing=True) 進行設定。有關更多詳細資訊，請參閱中繼資料路由使用者指南。

回傳值:

self物件: 擬合的估計器。

注意事項

當提供 sample_weight 時，選定的超參數可能會取決於我們是使用留一交叉驗證 (cv=None 或 cv='auto') 還是其他形式的交叉驗證，因為只有留一交叉驗證在計算驗證分數時才會考慮樣本權重。

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。

回傳值:

routingMetadataRouter: 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，將會回傳此估計器以及所包含的子物件（為估計器）的參數。

回傳值:

paramsdict: 參數名稱對應其值的字典。

predict(X)[原始碼]#

使用線性模型進行預測。

參數:

X類陣列或稀疏矩陣，形狀 (n_samples, n_features): 樣本。

回傳值:

C陣列，形狀 (n_samples,): 回傳預測值。

score(X, y, sample_weight=None)[原始碼]#

回傳預測的決定係數。

決定係數 $R^2$ 定義為 $(1 - \frac{u}{v})$，其中 $u$ 是殘差平方和 ((y_true - y_pred)** 2).sum()，而 $v$ 是總平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳可能分數為 1.0，而且可以是負值（因為模型可能任意地差）。一個總是預測 y 的期望值，而忽略輸入特徵的常數模型，將會得到 $R^2$ 分數 0.0。

參數:

X形狀為 (n_samples, n_features) 的類陣列: 測試樣本。對於某些估計器，這可能是一個預先計算的核矩陣或形狀為 (n_samples, n_samples_fitted) 的通用物件清單，其中 n_samples_fitted 是估計器擬合中使用的樣本數。
y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列: X 的真實值。
sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None: 樣本權重。

回傳值:

scorefloat: self.predict(X) 相對於 y 的 $R^2$。

注意事項

在回歸器上呼叫 score 時使用的 $R^2$ 分數，從 0.23 版本開始使用 multioutput='uniform_average'，以保持與 r2_score 的預設值一致。這會影響所有多輸出回歸器的 score 方法（除了 MultiOutputRegressor）。

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

請求傳遞到 fit 方法的中繼資料。

請注意，此方法僅在 enable_metadata_routing=True 時才相關（請參閱 sklearn.set_config）。請參閱使用者指南，了解路由機制如何運作。

每個參數的選項為

True：要求中繼資料，並在提供時傳遞給 fit。如果未提供中繼資料，則會忽略該要求。
False：不要求中繼資料，而且元估計器不會將其傳遞給 fit。
None：不要求中繼資料，而且如果使用者提供，元估計器將會引發錯誤。
str：應該使用此給定別名而不是原始名稱，將中繼資料傳遞給元估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的要求。這可讓您變更某些參數的要求，而不是其他參數。

在 1.3 版本中新增。

注意

只有在將此估計器用作元估計器的子估計器時，此方法才相關，例如在 Pipeline 內部使用。否則，它沒有任何效果。

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。

回傳值:

self物件: 更新後的物件。

set_params(**params)[原始碼]#

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組件。

參數:

**paramsdict: 估算器參數。

回傳值:

self估算器實例: 估算器實例。

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

請求傳遞到 score 方法的中繼資料。

請注意，此方法僅在 enable_metadata_routing=True 時才相關（請參閱 sklearn.set_config）。請參閱使用者指南，了解路由機制如何運作。

每個參數的選項為

True：請求中繼資料，如果提供，則傳遞到 score。如果未提供中繼資料，則忽略請求。
False：不請求中繼資料，並且元估算器不會將其傳遞到 score。
None：不要求中繼資料，而且如果使用者提供，元估計器將會引發錯誤。
str：應該使用此給定別名而不是原始名稱，將中繼資料傳遞給元估計器。

預設值 (sklearn.utils.metadata_routing.UNCHANGED) 會保留現有的要求。這可讓您變更某些參數的要求，而不是其他參數。

在 1.3 版本中新增。

注意

只有在將此估計器用作元估計器的子估計器時，此方法才相關，例如在 Pipeline 內部使用。否則，它沒有任何效果。

參數:

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

回傳值:

self物件: 更新後的物件。

範例集錦#