sklearn.linear_model.Ridge解读

赵孝正

已于 2022-09-11 14:19:57 修改

阅读量707

点赞数 1

分类专栏： # sklearn # 回归文章标签： sklearn 机器学习算法

于 2022-09-11 10:27:41 首次发布

本文链接：https://blog.csdn.net/weixin_46713695/article/details/126802705

版权

sklearn 同时被 2 个专栏收录

9 篇文章 1 订阅

订阅专栏

回归

9 篇文章 0 订阅

订阅专栏

Ridge回归是一种线性最小二乘法，带有L2正则化项，用于防止过拟合。它通过在损失函数中添加权重向量的L2范数来控制模型复杂度。参数`alpha`决定了正则化的强度，其值越大，正则化效果越强。当`alpha`=0时，Ridge回归退化为普通的线性回归。示例展示了如何使用`sklearn.linear_model.Ridge`进行训练和预测。

摘要由CSDN通过智能技术生成

文章目录

class sklearn.linear_model.Ridge(alpha=1.0, *, fit_intercept=True, normalize=‘deprecated’, copy_X=True, max_iter=None, tol=0.001, solver=‘auto’, positive=False,

具有 l2 正则化的线性最小二乘。

最小化目标函数：
$y - Xw||^2_2 + alpha * ||w||^2_2$

Parameters:

alpha: {float, ndarray of shape (n_targets,)}, 默认=1.0
- 乘以 L2 项的常数，控制正则化强度。 alpha 必须是非负浮点数，即在 [0, inf) 中。
- 当 alpha = 0 时，目标等效于普通最小二乘，由 LinearRegression 对象解决。出于数字原因，不建议对 Ridge 对象使用 alpha = 0。相反，您应该使用 LinearRegression 对象。
- 如果传递了一个数组，则假定惩罚是特定于目标的。因此，它们必须在数量上对应。
fit_interceptbool, default=True
- 是否适合此模型的截距。如果设置为 false，则不会在计算中使用截距（即 X 和 y 应该居中）。

>>> from sklearn.linear_model import Ridge
>>> import numpy as np

>>> n_samples, n_features = 10, 5
>>> rng = np.random.RandomState(0)
>>> y = rng.randn(n_samples)
>>> X = rng.randn(n_samples, n_features)
>>> clf = Ridge(alpha=1.0)
>>> clf.fit(X, y)
Ridge()