RidgeCV#

класс sklearn.linear_model.RidgeCV(альфы=(0.1, 1.0, 10.0), *, fit_intercept=True, оценка=None, cv=None, gcv_mode=None, store_cv_results=False, alpha_per_target=False)[источник]#

Ридж-регрессия со встроенной кросс-валидацией.

См. запись в глоссарии для оценщик перекрестной проверки.

По умолчанию он выполняет эффективную перекрестную проверку с исключением по одному.

Подробнее в Руководство пользователя.

Параметры:
альфыarray-like формы (n_alphas,), по умолчанию=(0.1, 1.0, 10.0)

Массив значений alpha для проверки. Сила регуляризации; должна быть положительным числом с плавающей точкой. Регуляризация улучшает обусловленность задачи и уменьшает дисперсию оценок. Большие значения указывают на более сильную регуляризацию. Alpha соответствует 1 / (2C) в других линейных моделях, таких как LogisticRegression или LinearSVC. Если используется перекрестная проверка Leave-One-Out, alphas должны быть строго положительными.

fit_interceptbool, по умолчанию=True

Вычислять ли свободный член для этой модели. Если установлено false, свободный член не будет использоваться в вычислениях (т.е. ожидается, что данные центрированы).

оценкаstr, callable, по умолчанию=None

Метод оценки для перекрестной проверки. Варианты:

cvint, генератор кросс-валидации или итерируемый объект, по умолчанию=None

Определяет стратегию разделения для перекрестной проверки. Возможные значения для cv:

  • None, для использования эффективной перекрестной проверки Leave-One-Out

  • целое число, чтобы указать количество фолдов.

  • CV splitter,

  • Итерируемый объект, возвращающий (обучающие, тестовые) разбиения в виде массивов индексов.

Для целочисленных/None входов, если y является бинарной или многоклассовой, StratifiedKFold используется, иначе, KFold используется.

Обратитесь Руководство пользователя для различных стратегий перекрестной проверки, которые можно использовать здесь.

gcv_mode{‘auto’, ‘svd’, ‘eigen’}, по умолчанию ‘auto’

Флаг, указывающий, какую стратегию использовать при выполнении перекрёстной проверки с исключением по одному. Варианты:

'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

Режим 'auto' используется по умолчанию и предназначен для выбора более дешевого варианта из двух в зависимости от формы обучающих данных.

store_cv_resultsbool, по умолчанию=False

Флаг, указывающий, должны ли значения перекрестной проверки, соответствующие каждому альфа, сохраняться в cv_results_ атрибут (см. ниже). Этот флаг совместим только с cv=None (т.е. используя перекрестную проверку с исключением по одному).

Изменено в версии 1.5: Имя параметра изменено с store_cv_values to store_cv_results.

alpha_per_targetbool, по умолчанию=False

Флаг, указывающий, следует ли оптимизировать значение альфа (выбранное из alphas список параметров) для каждой целевой переменной отдельно (для многозадачных настроек: несколько целевых переменных предсказания). При установке в True, после обучения, alpha_ атрибут будет содержать значение для каждой цели. При установке в False, единый alpha используется для всех целевых переменных.

Добавлено в версии 0.24.

Атрибуты:
cv_results_ndarray формы (n_samples, n_alphas) или формы (n_samples, n_targets, n_alphas), опционально

Значения перекрестной проверки для каждого alpha (доступно только если store_cv_results=True и cv=None). После fit() был вызван, этот атрибут будет содержать среднеквадратичные ошибки, если scoring is None в противном случае он будет содержать стандартизированные по точкам прогнозные значения.

Изменено в версии 1.5: cv_values_ изменено на cv_results_.

coef_ndarray формы (n_features) или (n_targets, n_features)

Вектор(ы) весов.

intercept_float или ndarray формы (n_targets,)

Независимый член в функции решения. Установлен в 0.0, если fit_intercept = False.

alpha_float или ndarray формы (n_targets,)

Оценённый параметр регуляризации, или, если alpha_per_target=True, оцененный параметр регуляризации для каждой цели.

best_score_float или ndarray формы (n_targets,)

Оценка базового оценщика с лучшим alpha, или, если alpha_per_target=True, оценка для каждой цели.

Добавлено в версии 0.23.

n_features_in_int

Количество признаков, замеченных во время fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, наблюдаемых во время fit. Определено только когда X имеет имена признаков, которые все являются строками.

Добавлено в версии 1.0.

Смотрите также

Ridge

Ридж-регрессия.

RidgeClassifier

Классификатор на основе гребневой регрессии с метками {-1, 1}.

RidgeClassifierCV

Классификатор Ridge со встроенной перекрестной проверкой.

Примеры

>>> 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)[источник]#

Обучить модель Ridge регрессии с перекрестной проверкой.

Параметры:
Xndarray формы (n_samples, n_features)

Обучающие данные. При использовании GCV будут приведены к float64 при необходимости.

yndarray формы (n_samples,) или (n_samples, n_targets)

Целевые значения. Будут приведены к типу данных X при необходимости.

sample_weightfloat или ndarray формы (n_samples,), по умолчанию=None

Индивидуальные веса для каждого образца. Если задано число с плавающей точкой, каждый образец будет иметь одинаковый вес.

**paramsdict, по умолчанию=None

Параметры, которые должны быть переданы базовому скореру.

Добавлено в версии 1.5: Доступно только если enable_metadata_routing=True, который можно установить с помощью sklearn.set_config(enable_metadata_routing=True). См. Руководство по маршрутизации метаданных для более подробной информации.

Возвращает:
selfobject

Обученный оценщик.

Примечания

Когда предоставляется sample_weight, выбранный гиперпараметр может зависеть от того, используем ли мы перекрестную проверку по одному элементу (cv=None) или другую форму перекрестной проверки, потому что только перекрестная проверка по одному элементу учитывает веса образцов при вычислении оценочного балла проверки.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Добавлено в версии 1.5.

Возвращает:
маршрутизацияMetadataRouter

A MetadataRouter Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)[источник]#

Получить параметры для этого оценщика.

Параметры:
глубокийbool, по умолчанию=True

Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:
paramsdict

Имена параметров, сопоставленные с их значениями.

predict(X)[источник]#

Прогнозирование с использованием линейной модели.

Параметры:
Xмассивоподобный или разреженная матрица, форма (n_samples, n_features)

Образцы.

Возвращает:
Cмассив, формы (n_samples,)

Возвращает предсказанные значения.

score(X, y, sample_weight=None)[источник]#

Возвращает коэффициент детерминации на тестовых данных.

Коэффициент детерминации, \(R^2\), определяется как \((1 - \frac{u}{v})\), где \(u\) является остаточной суммой квадратов ((y_true - y_pred)** 2).sum() и \(v\) является общей суммой квадратов ((y_true - y_true.mean()) ** 2).sum()Лучший возможный результат - 1.0, и он может быть отрицательным (потому что модель может быть сколь угодно хуже). Постоянная модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит \(R^2\) оценка 0.0.

Параметры:
Xarray-like формы (n_samples, n_features)

Тестовые выборки. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядра или список общих объектов вместо этого с формой (n_samples, n_samples_fitted), где n_samples_fitted — это количество образцов, использованных при обучении оценщика.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные значения для X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:
scorefloat

\(R^2\) of self.predict(X) относительно y.

Примечания

The \(R^2\) оценка, используемая при вызове score на регрессоре использует multioutput='uniform_average' с версии 0.23 для сохранения согласованности со значением по умолчанию r2_score. Это влияет на score метод всех многомерных регрессоров (кроме MultiOutputRegressor).

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

Настроить, следует ли запрашивать передачу метаданных в fit метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

  • True: запрашиваются метаданные и передаются fit если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в fit.

  • None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.

  • str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:
sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для sample_weight параметр в fit.

Возвращает:
selfobject

Обновленный объект.

set_params(**params)[источник]#

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:
**paramsdict

Параметры оценщика.

Возвращает:
selfэкземпляр estimator

Экземпляр оценщика.

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

Настроить, следует ли запрашивать передачу метаданных в score метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

  • True: запрашиваются метаданные и передаются score если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в score.

  • None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.

  • str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:
sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для sample_weight параметр в score.

Возвращает:
selfobject

Обновленный объект.