sklearn 中的Ridge函数
语法：
Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=1e-3, solver=”auto”, random_state=None)
类型：
sklearn.linear_model.ridge模块中的函数，是Ridge类，线性最小二乘L2正则化。该模型求解了线性最小二乘函数和L2正则化的回归模型。也称为岭回归或者Tikhonov 正则化。该估计其内置了对多变量回归的支持，多变量回归的例子是y是一个二维数组[n_samples,n_target]。
在用户指导手册中查阅更多。
输入参数
- 参数名：alpha
- 类型：{float, array-like}, shape (n_targets)
- 说明：正则化力度，必须是一个正浮点数。正则化提升了问题的条件，减少了估计器的方差。较大的值指定了更强的正则化。在其他模型，比如LogisticRegression 或者LinearSVC， α α 对应 C−1 C − 1 。如果传递了一个数组，则假定对目标进行了特定惩罚，因此，它们必须在数值上一直，即数量等于特征数量。
- 参数名：fit_intercept
- 类型：boolean
- 说明：是否计算该模型的截距。如果设置为False，将不会在计算中使用截距（比如，预处理数据已经中心化）
- 参数名：normalize
- 类型： boolean, optional, default False
- 说明：当fit_intercept设置为False时，该参数将会被忽略。如果为True，则回归前，回归变量X将会进行归一化，减去均值，然后除以L2范数。如果想要标准化，请在评估器（normalize参数为False）调用fit方法前调用sklean.preprocessing.StandardScaler，
- 参数名：copy_X
- 类型：boolean, optional, default True
- 说明：如果是True，x将被复制，否则，有可能被覆盖。
- 参数名：max_iter
- 类型： int, optional
- 说明：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，默认值是1000。
- 参数名：tol
- 类型：float
- 说明：求解方法精度
- 参数名：solver
- 类型： {‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’}
- 说明：计算例程中使用的求解程序
| 名称 | 说明 |
|---|---|
| auto | 根据数据类型自动选择求解器 |
| svd | 利用X的奇异值分解来计算脊系数。对于奇异矩阵比“cholesky”更稳定。 |
| cholesky | 使用标准scipy.linalg.solve去得到一个闭合解 |
| sparse_cg | 使用在scipy.sparse.linalg.cg中发现的共轭梯度求解器。作为一种迭代算法，这个求解器比“cholesky”更适合于大规模数据(可以设置tol和max_iter)。 |
| lsqr | 使用专用正规化最小二乘的常规scipy.sparse.linalg.lsqr。它是最快的，但可能不能用旧的scipy版本。它还使用了一个迭代过程。 |
| sag | saga使用随机平均梯度下降改进的，没有偏差的版本，名字为SAGA。这两种方法都使用可迭代的过程，当n_samples和n_feature都很大时，它们通常比其他解决程序更快。 请注意，“sag”和“saga”快速收敛只在具有大致相同规模的特性上得到保证。您可以通过sklearn.preprocessing对数据进行预处理。 |
最后的五个解决方案都支持密集和稀疏数据。然而，当fit_intercept是真的时，只有“sag”和“saga”支持稀疏输入。
在版本0.17更新的地方：Stochastic Average Gradient descent solver.
在版本0.19更新的地方：SAGA solver.
- 参数名：random_state *
- 类型：int, RandomState instance or None, optional, default None
- 说明：在对数据进行变换时使用伪随机数生成器的种子。如果int, random_state是随机数生成器使用的种子;如果随机状态实例，random_state是随机数发生器;如果没有，随机数生成器就是np.random使用的随机状态实例。当solver == ’ sag ‘时使用。 新版本0.17 : random_state支持随机平均梯度（Stochastic Average Gradient）.
属性
- 参数名：coef_
- 类型：array, shape (n_features,) or (n_targets, n_features)
- 说明：权重向量
- 参数名：intercept_
- 类型： float | array, shape = (n_targets,)
- 说明：决策函数中的独立项，即截距，如果fit_intercept=False,则设置为0
- 参数名：n_iter_
- 类型：array or None, shape (n_targets,)
- 说明：每个目标的实际迭代次数。只能用于sag和lsqr求解器。其他求解器将返回None。
最新版本是0.17
参阅
RidgeClassifier, RidgeCV, sklearn.kernel_ridge.KernelRidge
例子
# 导入Ridge包
from sklearn.linear_model import Ridge
# 导入numpy
import numpy as np
# 定义样本数，特征数
n_samples, n_features = 10, 5
# 设置随机种子
np.random.seed(0)
# 初始化x
y = np.random.randn(n_samples)
# 初始化y
X = np.random.randn(n_samples, n_features)
# 实例化Ridge对象
clf = Ridge(alpha=1.0)
# 训练Ridge对象
clf.fit(X, y)
运算结果：
Ridge(alpha=1.0, copy_X=True, fit_intercept=True, max_iter=None,
normalize=False, random_state=None, solver='auto', tol=0.001)