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')#

岭分类器，内置交叉验证。

请参阅 cross-validation estimator 的词汇条目。

默认情况下，它执行留一交叉验证。目前，仅高效处理 n_features > n_samples 的情况。

更多信息请参阅 User Guide 。

Parameters:
alphasarray-like of shape (n_alphas,), default=(0.1, 1.0, 10.0)

alpha 值数组以尝试。 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。较大的值指定更强的正则化。 alpha 对应于其他线性模型中的 1 / (2C) ，例如 LogisticRegression 或 LinearSVC 。 如果使用留一交叉验证，alpha 必须严格为正。

fit_interceptbool, default=True

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（即数据应已中心化）。

scoringstr, callable, default=None

一个字符串（参见 scoring_parameter ）或带有签名 scorer(estimator, X, y) 的评分器可调用对象 / 函数。

cvint, cross-validation generator or an iterable, default=None

确定交叉验证分割策略。 cv 的可能输入包括：

  • None，使用高效的留一交叉验证

  • 整数，指定折数。

  • CV splitter ，

  • 一个可迭代对象，生成 (train, test) 索引数组对。

请参阅 User Guide 以了解可以使用的各种交叉验证策略。

class_weightdict or ‘balanced’, default=None

与类关联的权重，形式为 {class_label: weight} 。如果未给出，则所有类别的权重均为一。

“balanced” 模式使用 y 的值自动调整权重，与输入数据中的类别频率成反比，即 n_samples / (n_classes * np.bincount(y)) 。

store_cv_resultsbool, default=False

指示是否应将每个 alpha 对应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 （即使用留一交叉验证）兼容。

Changed in version 1.5: 参数名称从 store_cv_values 更改为 store_cv_results 。

store_cv_valuesbool

指示是否应将每个 alpha 对应的交叉验证值存储在 cv_values_ 属性中（见下文）。此标志仅与 cv=None （即使用留一交叉验证）兼容。

Deprecated since version 1.5: store_cv_values 在 1.5 版本中已弃用，取而代之的是 store_cv_results ，并将在 1.7 版本中移除。

Attributes:
cv_results_ndarray of shape (n_samples, n_targets, n_alphas), optional

每个 alpha 的交叉验证结果（仅当 store_cv_results=True 且 cv=None 时）。调用 fit() 后，此属性将包含均方误差（如果 scoring is None ），否则将包含每点预测值的标准化值。

Changed in version 1.5: cv_values_ 更改为 cv_results_ 。

coef_ndarray of shape (1, n_features) or (n_targets, n_features)

决策函数中特征的系数。

当给定的问题是二元时， coef_ 的形状为 (1, n_features)。

intercept_float or ndarray of shape (n_targets,)

决策函数中的独立项。如果 fit_intercept = False ，则设置为 0.0。

alpha_float

估计的正则化参数。

best_score_float

最佳 alpha 的基础估计器的分数。

Added in version 0.23.

classes_ndarray of shape (n_classes,)

类标签。

n_features_in_int

在 fit 期间看到的特征数量。

Added in version 0.24.

feature_names_in_ndarray of shape ( n_features_in_ ,)

在 fit 期间看到的特征名称。仅当 X 中的特征名称均为字符串时定义。

Added in version 1.0.

See also

Ridge

岭回归。

RidgeClassifier

岭分类器。

RidgeCV

内置交叉验证的岭回归。

Notes

对于多类分类，在一对多方法中训练 n_class 分类器。具体实现是通过利用 Ridge 中的多变量响应支持来实现的。

Examples

>>> 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)#

预测样本的置信度分数。

样本的置信度分数与其到超平面的有符号距离成正比。

Parameters:
X{array-like, sparse matrix}，形状为 (n_samples, n_features)

我们想要获取置信度分数的数据矩阵。

Returns:
scoresndarray，形状为 (n_samples,) 或 (n_samples, n_classes)

每个 (n_samples, n_classes) 组合的置信度分数。在二分类情况下， self.classes_[1] 的置信度分数，其中 >0 表示会预测这个类别。

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

拟合带有交叉验证的岭分类器。

Parameters:
X形状为 (n_samples, n_features) 的 ndarray

训练向量，其中 n_samples 是样本数量， n_features 是特征数量。当使用GCV时， 如果需要，将被强制转换为 float64。

y形状为 (n_samples,) 的 ndarray

目标值。如果需要，将被强制转换为 X 的数据类型。

sample_weightfloat 或 形状为 (n_samples,) 的 ndarray, 默认=None

每个样本的个体权重。如果给定一个浮点数，每个样本将有相同的权重。

**paramsdict, 默认=None

要传递给底层评分器的参数。

Added in version 1.5: 仅在 enable_metadata_routing=True 时可用， 可以通过使用 sklearn.set_config(enable_metadata_routing=True) 设置。 有关更多详细信息，请参阅 Metadata Routing 用户指南 。

Returns:
selfobject

拟合的估计器。

get_metadata_routing()#

获取此对象的元数据路由。

请查看 用户指南 以了解路由机制的工作原理。

Added in version 1.5.

Returns:
routingMetadataRouter

MetadataRouter 封装的 路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:
deepbool, 默认=True

如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:
paramsdict

参数名称映射到它们的值。

predict(X)#

预测 X 中的样本类别标签。

Parameters:
X{array-like, spare matrix} 形状为 (n_samples, n_features)

我们想要预测目标的数据矩阵。

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

包含预测的向量或矩阵。在二分类和多分类问题中，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)#

返回给定测试数据和标签的平均准确率。

在多标签分类中，这是子集准确率，这是一个严格的指标，因为你要求每个样本的每个标签集都被正确预测。

Parameters:
X形状为 (n_samples, n_features) 的类数组

测试样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

` X`的真实标签。

sample_weight形状为 (n_samples,) 的类数组，默认=None

样本权重。

Returns:
scorefloat

self.predict(X) 相对于 y 的平均准确率。

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

Request metadata passed to the fit method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

  • True : metadata is requested, and passed to fit if provided. The request is ignored if metadata is not provided.

  • False : metadata is not requested and the meta-estimator will not pass it to fit .

  • None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.

  • str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Metadata routing for sample_weight parameter in fit .

Returns:
selfobject

The updated object.

set_params(**params)#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:
**paramsdict

估计器参数。

Returns:
selfestimator instance

估计器实例。

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

Request metadata passed to the score method.

Note that this method is only relevant if enable_metadata_routing=True (see sklearn.set_config ). Please see User Guide on how the routing mechanism works.

The options for each parameter are:

  • True : metadata is requested, and passed to score if provided. The request is ignored if metadata is not provided.

  • False : metadata is not requested and the meta-estimator will not pass it to score .

  • None : metadata is not requested, and the meta-estimator will raise an error if the user provides it.

  • str : metadata should be passed to the meta-estimator with this given alias instead of the original name.

The default ( sklearn.utils.metadata_routing.UNCHANGED ) retains the existing request. This allows you to change the request for some parameters and not others.

Added in version 1.3.

Note

This method is only relevant if this estimator is used as a sub-estimator of a meta-estimator, e.g. used inside a Pipeline . Otherwise it has no effect.

Parameters:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Metadata routing for sample_weight parameter in score .

Returns:
selfobject

The updated object.

On this page
Show Source