英文官方教程链接如下:
这一部分讲的是 Kernel ridge regression,虽然不我不太明白这到底是什么意思,但是我们根据它的名字可以看出,它是和回归问题有关的。注意,点击官网上的图片,你就会跳转到相关的代码部分。
我这里就对它进行一个简单的描述,详细内容见官网或 API 。它学习由各自的核和数据诱导的空间中的线性函数。它学习的模型形式与支持向量机相同,只是用了不同的损失函数。相比之下,它在中等数据集上拟合得快。
参数 | 描述 |
alpha | 浮点数或形如 (n_targets,) 的数组,default=1.0,正则强化,必须是正浮点数。正则化改进了问题的条件化,减少了估计值的方差。值越大,正则化越强。 |
kernel | 字符串或者 callable ?,default="linear",如果它是字符串,必为 pairwise.PAIRWISE_KERNEL_FUNCTIONS 或者 precomputed 的一个量度。如果是后者,X被假定为一个核矩阵。如果是 callable function ,对每个实例都调用它并记录结果。这个 callable 必须是 X 的两行作为输入,用一个单一的数字作为对应的核值返回。 |
gamma | float,default=None。 |
degree | float,default=3。polynomial kernel 的度。 |
coef0 | float,default=1。polynomial kernel 和 sigmoid kernel 的零系数。 |
kernel_params | 字符串到任意形式的映射,default=None。作为 callable 对象传入的核函数的额外参数。 |
类属性 | |
.dual_coef_ | 形如 (n_samples,) 或 (n_samples,n_features) 的数组。在核空间的权重向量的表示。 |
.X_fit_ | 形如 (n_samples,n_features) 的数组或稀疏矩阵。训练预测仍需要的数据。如果 kernel="precomputed",那将是预计算训练矩阵,形如 (n_samples,n_samples) |
.n_features_in_ | 略 |
.feature_names_in_ | 略 |
说实话,这部分本人不理解,所以大家自己到官网去看代码实例吧。