RidgeClassifierCV

класс sklearn.linear_model.RidgeClassifierCV(альфы=(0.1, 1.0, 10.0), *, fit_intercept=True, оценка=None, cv=None, class_weight=None, store_cv_results=False)

Ридж-классификатор со встроенной перекрестной проверкой.

См. запись в глоссарии для оценщик перекрестной проверки.

По умолчанию выполняется перекрестная проверка Leave-One-Out. В настоящее время эффективно обрабатывается только случай n_features > n_samples.

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:

• str: см. Строковые имена скореров для опций.

• callable: вызываемый объект scorer (например, функция) с сигнатурой scorer(estimator, X, y). См. Вызываемые скореры подробности.

• None: отрицательный среднеквадратичная ошибка если cv None (т.е. при использовании перекрестной проверки с исключением по одному), или точность в противном случае.

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.

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

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)).

store_cv_resultsbool, по умолчанию=False

Флаг, указывающий, должны ли результаты 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.

Атрибуты:

cv_results_ndarray формы (n_samples, n_targets, n_alphas), опционально

Результаты перекрестной проверки для каждого альфа (только если store_cv_results=True и cv=None). После fit() был вызван, этот атрибут будет содержать среднеквадратичные ошибки, если scoring is None иначе он будет содержать стандартизированные значения прогнозов для каждой точки.

Изменено в версии 1.5: cv_values_ изменено на cv_results_.

coef_ndarray формы (1, n_features) или (n_targets, 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.

alpha_float

Оценённый параметр регуляризации.

best_score_float

Оценка базового оценщика с лучшим alpha.

Добавлено в версии 0.23.

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.

Смотрите также

Ridge

Ридж-регрессия.

RidgeClassifier

Классификатор Ridge.

RidgeCV

Ридж-регрессия со встроенной кросс-валидацией.

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 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...

decision_function(X)

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, **params)

Обучение классификатора Ridge с перекрестной проверкой.

Параметры:

Xndarray формы (n_samples, n_features)

Обучающие векторы, где n_samples это количество образцов и n_features — это количество признаков. При использовании GCV будет приведен к float64 при необходимости.

yndarray формы (n_samples,)

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.

6332()

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)

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)

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)

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 = '$UNCHANGED$') → RidgeClassifierCV

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)

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 = '$UNCHANGED$') → RidgeClassifierCV

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.