机器学习（4）岭回归sklearn.linear_model.Ridge

sklearn.linear_model.Ridge

class sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver='auto', random_state=None)

带有l2正则化的线性最小二乘。
该模型求解回归模型，其中损失函数是线性最小二乘函数，并且正则化由l2范数给出。 也称为Ridge回归或Tikhonov正则化。 该估计器具有对多变量回归的内置支持（即，当y是形状的2d阵列[n_samples，n_targets]时）。

参数

alpha：{float，array-like}，shape（n_targets）
正则化强度; 必须是正浮点数。 正则化改善了问题的条件并减少了估计的方差。 较大的值指定较强的正则化。 Alpha对应于其他线性模型（如Logistic回归或LinearSVC）中的C^-1。 如果传递数组，则假定惩罚被特定于目标。 因此，它们必须在数量上对应。

copy_X：boolean，可选，默认为True
如果为True，将复制X; 否则，它可能被覆盖。

fit_intercept：boolean
是否计算此模型的截距。 如果设置为false，则不会在计算中使用截距（例如，数据预期已经居中）。

max_iter：int，可选
共轭梯度求解器的最大迭代次数。 对于'sparse_cg'和'lsqr'求解器，默认值由scipy.sparse.linalg确定。 对于'sag'求解器，默认值为1000。

normalize：boolean，可选，默认为False
如果为真，则回归X将在回归之前被归一化。 当fit_intercept设置为False时，将忽略此参数。 当回归量归一化时，注意到这使得超参数学习更加鲁棒，并且几乎不依赖于样本的数量。 相同的属性对标准化数据无效。 然而，如果你想标准化，请在调用normalize = False训练估计器之前，使用preprocessing.StandardScaler处理数据。

solver：{'auto'，'svd'，'cholesky'，'lsqr'，'sparse_cg'，'sag'}
用于计算的求解方法：

• '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。对于奇异矩阵比'cholesky'更稳定。
• 'cholesky'使用标准的scipy.linalg.solve函数来获得闭合形式的解。
• 'sparse_cg'使用在scipy.sparse.linalg.cg中找到的共轭梯度求解器。作为迭代算法，这个求解器比大规模数据（设置tol和max_iter的可能性）的“cholesky”更合适。
• 'lsqr'使用专用的正则化最小二乘常数scipy.sparse.linalg.lsqr。它是最快的，但可能不是在旧的scipy版本可用。它还使用迭代过程。
• 'sag'使用随机平均梯度下降。它也使用迭代过程，并且当n_samples和n_feature都很大时，通常比其他求解器更快。注意，“sag”快速收敛仅在具有近似相同尺度的特征上被保证。您可以使用sklearn.preprocessing的缩放器预处理数据。

所有最后四个求解器支持密集和稀疏数据。但是，当fit_intercept为True时，只有'sag'支持稀疏输入。
新版本0.17支持：随机平均梯度下降解算器。

tol：float
解的精度。

random_state：int seed，RandomState实例或None（默认）
伪随机数生成器的种子，当混洗数据时使用。 仅用于'sag'求解器。
新版本0.17：random_state支持随机平均渐变。

属性

coef_：array，shape（n_features，）或（n_targets，n_features）
权重向量。
intercept_：float | array，shape =（n_targets，）
决策函数的独立项，即截距。 如果fit_intercept = False，则设置为0.0。
n_iter_：array或None，shape（n_targets，）
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。在版本0.17中出现。

例子

>>> from sklearn.linear_model import Ridge
>>> import numpy as np
>>> n_samples, n_features = 10, 5
>>> np.random.seed(0)
>>> y = np.random.randn(n_samples)
>>> X = np.random.randn(n_samples, n_features)
>>> clf = Ridge(alpha=1.0)
>>> clf.fit(X, y) 
Ridge(alpha=1.0, copy_X=True, fit_intercept=True, max_iter=None,
      normalize=False, random_state=None, solver='auto', tol=0.001)

方法

• decision_function（\ * args，\ * \ * kwargs）DEPRECATED：将在0.19中删除。
• fit（X，y [，sample_weight]）Fit Ridge回归模型
• get_params（[deep]）获取此估计器的参数。
• predict（X）使用线性模型进行预测
• score（X，y [，sample_weight]）返回预测的确定系数R ^ 2。
• set_params（\ * \ * params）设置此估计器的参数。

参考

1. http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Ridge.html#sklearn.linear_model.Ridge