(sklearn)岭回归 sklearn.linear_model.Ridge用法

class sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver=’auto’, random_state=None)

岭回归是一种正则化方法，通过在损失函数中加入L2范数惩罚系项，来控制线性模型的复杂程度，从而使模型更加稳健。

参数

alpha：{float，array-like}，shape（n_targets）
       α项，其值越大正则化项越大。其必须是正浮点数。 正则化改善了问题的条件并减少了估计的方差。Alpha对应于其他线性模型（如Logistic回归或LinearSVC）中的C^-1。 如果传递数组，则假定惩罚被特定于目标。 因此，它们必须在数量上对应。

fit_intercept：boolean
       是否计算此模型的截距，即b值。如果为False，则不计算b值（模型会假设你的数据已经中心化）

copy_X：boolean，可选，默认为Tr