RidgeClassifier#

класс sklearn.linear_model.RidgeClassifier(alpha=1.0, *, fit_intercept=True, copy_X=True, max_iter=None, tol=0.0001, class_weight=None, solver='auto', положительный=False, random_state=None)[источник]#

Классификатор с использованием Ridge-регрессии.

Этот классификатор сначала преобразует целевые значения в {-1, 1} и затем рассматривает задачу как задачу регрессии (многомерную регрессию в многоклассовом случае).

Подробнее в Руководство пользователя.

Параметры:
alphafloat, по умолчанию=1.0

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.

fit_interceptbool, по умолчанию=True

Следует ли вычислять свободный член для этой модели. Если установлено false, свободный член не будет использоваться в вычислениях (например, ожидается, что данные уже центрированы).

copy_Xbool, по умолчанию=True

Если True, X будет скопирован; иначе, он может быть перезаписан.

max_iterint, default=None

Максимальное количество итераций для решателя сопряженных градиентов. Значение по умолчанию определяется scipy.sparse.linalg.

tolfloat, по умолчанию=1e-4

Точность решения (coef_) определяется tol , который задает разные критерии сходимости для каждого решателя:

  • 'svd': tol не оказывает влияния.

  • ‘cholesky’: tol не оказывает влияния.

  • ‘sparse_cg’: норма остатков меньше, чем tol.

  • 'lsqr': tol устанавливается как atol и btol scipy.sparse.linalg.lsqr, которые контролируют норму вектора остатков в терминах норм матрицы и коэффициентов.

  • ‘sag’ и ‘saga’: относительное изменение коэффициента меньше, чем tol.

  • ‘lbfgs’: максимум абсолютного (спроецированного) градиента=max|остатки| меньше, чем tol.

Изменено в версии 1.2: Значение по умолчанию изменено с 1e-3 на 1e-4 для согласованности с другими линейными моделями.

class_weightdict или 'balanced', по умолчанию=None

Weights associated with classes in the form {class_label: weight}. Если не задано, предполагается, что все классы имеют вес один.

Режим "balanced" использует значения y для автоматической настройки весов, обратно пропорциональных частотам классов во входных данных, как n_samples / (n_classes * np.bincount(y)).

solver{‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’, ‘lbfgs’}, по умолчанию=’auto’

Решатель для использования в вычислительных процедурах:

  • 'auto' автоматически выбирает решатель на основе типа данных.

  • ‘svd’ использует сингулярное разложение X для вычисления коэффициентов Ridge. Это наиболее стабильный решатель, в частности более стабильный для сингулярных матриц, чем ‘cholesky’, за счёт более медленной работы.

  • 'cholesky' использует стандартную функцию scipy.linalg.solve для получения аналитического решения.

  • ‘sparse_cg’ использует решатель сопряженных градиентов, как в scipy.sparse.linalg.cg. Как итеративный алгоритм, этот решатель более подходит, чем ‘cholesky’, для данных большого масштаба (возможность установить tol и max_iter).

  • 'lsqr' использует специализированную процедуру регуляризованных наименьших квадратов scipy.sparse.linalg.lsqr. Это самый быстрый метод, использующий итерационную процедуру.

  • ‘sag’ использует стохастический градиентный спуск со средним градиентом, а ‘saga’ использует его несмещенную и более гибкую версию под названием SAGA. Оба метода используют итеративную процедуру и часто быстрее других решателей, когда и n_samples, и n_features велики. Обратите внимание, что быстрая сходимость ‘sag’ и ‘saga’ гарантирована только для признаков с приблизительно одинаковым масштабом. Вы можете предварительно обработать данные с помощью масштабатора из sklearn.preprocessing.

    Добавлено в версии 0.17: Решатель стохастического среднего градиентного спуска.

    Добавлено в версии 0.19: SAGA solver.

  • ‘lbfgs’ использует алгоритм L-BFGS-B, реализованный в scipy.optimize.minimize. Может использоваться только когда positive равно True.

положительныйbool, по умолчанию=False

При установке значения True, заставляет коэффициенты быть положительными. Только решатель 'lbfgs' поддерживается в этом случае.

random_stateint, экземпляр RandomState, по умолчанию=None

Используется, когда solver == 'sag' или 'saga' для перемешивания данных. См. Глоссарий подробности.

Атрибуты:
coef_ndarray формы (1, n_features) или (n_classes, n_features)

Коэффициенты признаков в функции принятия решений.

coef_ имеет форму (1, n_features), когда данная задача является бинарной.

intercept_float или ndarray формы (n_targets,)

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

n_iter_None или ndarray формы (n_targets,)

Фактическое количество итераций для каждой цели. Доступно только для решателей sag и lsqr. Другие решатели вернут None.

classes_ndarray формы (n_classes,)

Метки классов.

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.

solver_str

Решатель, который использовался во время обучения вычислительными процедурами.

Добавлено в версии 1.5.

Смотрите также

Ridge

Ридж-регрессия.

RidgeClassifierCV

Классификатор Ridge со встроенной перекрестной проверкой.

Примечания

Для многоклассовой классификации обучаются n_class классификаторов в подходе один-против-всех. Конкретно это реализовано путем использования поддержки многомерного отклика в Ridge.

Примеры

>>> from sklearn.datasets import load_breast_cancer
>>> from sklearn.linear_model import RidgeClassifier
>>> X, y = load_breast_cancer(return_X_y=True)
>>> clf = RidgeClassifier().fit(X, y)
>>> clf.score(X, y)
0.9595...
decision_function(X)[источник]#

Предсказывает оценки уверенности для образцов.

Оценка уверенности для образца пропорциональна знаковому расстоянию от этого образца до гиперплоскости.

Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features)

Матрица данных, для которой мы хотим получить оценки уверенности.

Возвращает:
scoresndarray формы (n_samples,) или (n_samples, n_classes)

Оценки уверенности для каждого (n_samples, n_classes) комбинация. В двоичном случае оценка уверенности для self.classes_[1] где >0 означает, что этот класс будет предсказан.

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

Обучить модель классификатора Ridge.

Параметры:
X{ndarray, разреженная матрица} формы (n_samples, n_features)

Обучающие данные.

yndarray формы (n_samples,)

Целевые значения.

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.

Добавлено в версии 0.17: sample_weight поддержка для RidgeClassifier.

Возвращает:
selfobject

Экземпляр оценщика.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

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

Возвращает:
маршрутизацияMetadataRequest

A MetadataRequest 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]#

Предсказать метки классов для образцов в X.

Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features)

Матрица данных, для которой мы хотим предсказать целевые значения.

Возвращает:
y_predndarray формы (n_samples,) или (n_samples, n_outputs)

Вектор или матрица, содержащие предсказания. В бинарных и многоклассовых задачах это вектор, содержащий n_samples. В многометочной задаче возвращает матрицу формы (n_samples, n_outputs).

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

Возвращает точность на предоставленных данных и метках.

В многометочной классификации это точность подмножества, которая является строгой метрикой, поскольку требует для каждого образца правильного предсказания каждого набора меток.

Параметры:
Xarray-like формы (n_samples, n_features)

Тестовые выборки.

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

Истинные метки для X.

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

Веса выборок.

Возвращает:
scorefloat

Средняя точность self.predict(X) относительно y.

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → RidgeClassifier[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 = '$UNCHANGED$') → RidgeClassifier[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.