使用sklearn实现岭回归（ridge）

性感官方，在线文档
在线文档
注：Ridgecv 相当于自动做k折交叉验证的Ridge，忽略不学。

from sklearn.linear_model import Ridge

model_ridge = Ridge()

参数

alpha
L2正则化的权重，默认为1.0
fit_intercept
默认True，是否设置偏置
normalize
默认False 是否进行标准差标准化
copy_X
默认 False 是否进行浅复制
n_jobs
默认None（1），可使用CPU数量
solver
默认是auto，模型会根据数据的类型自动选择
共有这些算法{‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’}，算法的内容百度吧。
max_iter
算法的最大迭代次数。
tol
浮点数，算法的终止条件，precision
random_state
Used when solver == ‘sag’ or ‘saga’ to shuffle the data

伊泽瑞尔看出，调参alpha就可以了。

属性

coef_
train_x各个特征的权重
rank_
train_x特征的数量
intercept_
train_x各个特征的偏置

方法

fit(x,y,sample_weight)
sample_weight是一个[]，里面每个原始是每个sample的权重
get_params(deep=True)
获取模型的各个参数（非超参数，是设置的模型参数）
predict(X)
预测
score(x,y,sample_weight)
模型对x进行预测，然后将预测值与y进行比较，返回分数（r2）
set_params（参数）
重设参数