sklearn 中的RidgeCV函数

语法:

 _BaseRidgeCV(alphas=(0.1, 1.0, 10.0), fit_intercept=True, normalize=False, scoring=None, cv=None, gcv_mode=None, store_cv_values=False)

类型:

  sklearn.linear_model.ridge模块中出现的类。

 内置交叉验证的岭回归,默认情况下,它执行通用的交叉验证,这是一种有效的留一交叉验证的形式。

更多内容请参阅用户指南。*

输入参数:

  • 参数名:alphas
  • 类型: numpy array of shape [n_alphas]
  • 说明: α α 值的数组。正则化的力度,必须是正浮点数。正则化提升了问题的条件,减少了估计器的方差。较大的值指定了更强的正则化。在其他模型,比如LogisticRegression 或者LinearSVC, α α 对应 C1 C − 1

  • 参数名:fit_intercept
  • 类型:boolean
  • 说明:是否计算该模型的截距。如果设置为False,将不会在计算中使用截距(比如,预处理数据已经中心化)

  • 参数名:normalize
  • 类型:boolean, optional, default False
  • 说明:当fit_intercept设置为False时,该参数将会被忽略。如果为True,则回归前,回归变量X将会进行归一化,减去均值,然后除以L2范数。如果想要标准化,请在评估器(normalize参数为False)调用fit方法前调用sklean.preprocessing.StandardScaler,

  • 参数名:scoring
  • 类型:string, callable or None, optional, default: None
  • 说明:一个字符串(见模型评估文档)或一个评估分数的可调用的对象/函数,对象/函数带有注册的评估器(estimator, X, y)

  • 参数名:cv
  • 类型:int, cross-validation generator or an iterable, optional
  • 说明:确定交叉验证分裂策略。对cv的可能输入如下:
说明
None使用有效的留一交叉验证。
integer指定折叠数。
-用于交叉验证生成器的对象。
-一种可重复的生成序列。

对于整数/无输入,如果y是二进制或多类,使用sklearn.model_selection.StratifiedKFold,否则使用sklearn.model_selection.KFold

参考用户指南来的得到这里使用的各种交叉验证策略


  • 参数名:gcv_mode
  • 类型: {None, ‘auto’, ‘svd’, eigen’}, optional
  • 说明:说明在执行通用交叉验证时使用的策略的标志。选项有:
标识说明
auto如果n_samples为> n_feature,或者当X为稀疏矩阵时,使用svd,否则使用eigen。
svd用X奇异值分解的力计算(不适用于稀疏矩阵)
eigen力的计算通过eigen分解 XTX X T X

“auto”模式是默认的,它的目的是根据训练数据的形状和格式选择两个更廉价的选项。


  • 参数名:store_cv_values
  • 类型:boolean, default=False
  • 说明:标记是否与每个alpha对应的交叉验证值应该存储在cv_values_属性中(见下面)。此标志仅与cv=None兼容(即使用通用交叉验证)。

属性

  • 参数名:cv_values_
  • 类型:array, shape = [n_samples, n_alphas] or shape = [n_samples, n_targets, n_alphas], optional
  • 说明:每个alpha的交叉验证值(如果store_cv_values=True和cv=None)。在fit()被调用之后,这个属性将包含均方差(默认值)或{loss,score}_func函数(如果在构造函数中提供)。

  • 参数名:coef_
  • 类型: array, shape = [n_features] or [n_targets, n_features]
  • 说明:权重向量

  • 参数名:intercept_
  • 类型:float | array, shape = (n_targets,)
  • 说明:决策函数中的独立项,即截距,如果fit_intercept=False,则设置为0

  • 参数名:alpha_
  • 类型: float
  • 说明:正则化参数估计。

参阅:

 Ridge: Ridge regression RidgeClassifier: Ridge classifier RidgeClassifierCV: Ridge classifier with built-in cross validation

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值