岭回归详解-优快云博客

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True
如果为True，将复制X; 否则，它可能被覆盖。

max_iter：int，可选
共轭梯度求解器的最大迭代次数。如果为None，则为默认值（不同silver的默认值不同）对于'sparse_cg'和'lsqr'求解器，默认值由scipy.sparse.linalg确定。对于'sag'求解器，默认值为1000。

normalize：boolean，可选，默认为False
如果为真，则回归X将在回归之前被归一化。当fit_intercept设置为False时，将忽略此参数。当回归量归一化时，注意到这使得超参数学习更加鲁棒，并且几乎不依赖于样本的数量。相同的属性对标准化数据无效。然而，如果你想标准化，请在调用normalize = False训练估计器之前，使用preprocessing.StandardScaler处理数据。

solver：{'auto'，'svd'，'cholesky'，'lsqr'，'sparse_cg'，'sag'}
指定求解最优化问题的算法：

'auto'：根据数据类型自动选择求解器。
'svd'：使用X的奇异值分解来计算Ridge系数。对于奇异矩阵比'cholesky'更稳定。
'cholesky'：使用标准的scipy.linalg.solve函数来获得闭合形式的解。
'sparse_cg'：使用在scipy.sparse.linalg.cg中找到的共轭梯度求解器。作为迭代算法，这个求解器比大规模数据（设置tol和max_iter的可能性）的“cholesky”更合适。
'lsqr'：使用专用的正则化最小二乘常数scipy.sparse.linalg.lsqr。它是最快的，但可能不是在旧的scipy版本可用。它还使用迭代过程。
'sag'：使用随机平均梯度下降。它也使用迭代过程，并且当n_samples和n_feature都很大时，通常比其他求解器更快。注意，“sag”快速收敛仅在具有近似相同尺度的特征上被保证。您可以使用sklearn.preprocessing的缩放器预处理数据。

所有最后四个求解器支持密集和稀疏数据。但是，当fit_intercept为True时，只有'sag'支持稀疏输入。
新版本0.17支持：随机平均梯度下降解算器。

tol：float
解的精度，制定判断迭代收敛与否的阈值。

random_state：int seed，RandomState实例或None（默认）
仅用于'sag'求解器。

如果为整数，则它指定了随机数生成器的种子。
如果为RandomState实例，则指定了随机数生成器。
如果为None，则使用默认的随机数生成器。

新版本0.17：random_state支持随机平均渐变。

属性

coef_：array，shape（n_features，）或（n_targets，n_features）
       权重向量。
intercept_：float | array，shape =（n_targets，）
       决策函数的独立项，即截距b值。如果fit_intercept = False，则设置为0.0。
n_iter_：array或None，shape（n_targets，）
       每个目标的实际迭代次数。仅适用于sag和lsqr求解器。其他求解器将返回None。在版本0.17中出现。

方法

fit（X，y [，sample_weight]）：训练模型。
get_params（[deep]）：获取此估计器的参数。
predict（X）：使用线性模型进行预测，返回预测值。
score（X，y [，sample_weight]）：返回预测性能的得分，不大于1，越大效果越好。
set_params（** params）设置此估计器的参数。
原文地址：https://blog.youkuaiyun.com/mrxjh/article/details/78485710