RidgeClassifierCV

classsklearn.linear_model.RidgeClassifierCV(alphas=(0.1, 1.0, 10.0), *, fit_intercept=True, scoring=None, cv=None, class_weight=None, store_cv_results=False)[исходный код]

Классификатор Ridge со встроенной перекрёстной проверкой.

См. статью глоссария о оценщике с перекрёстной проверкой.

По умолчанию выполняется перекрёстная проверка с исключением одного наблюдения. В настоящее время эффективно обрабатывается только случай n_features > n_samples.

Подробнее см. в руководстве пользователя.

Параметры:

alphasмассивоподобный объект формы (n_alphas,), по умолчанию=(0.1, 1.0, 10.0)

Массив значений alpha для проверки. Сила регуляризации; должна быть положительным числом с плавающей точкой. Регуляризация улучшает обусловленность задачи и уменьшает дисперсию оценок. Большие значения соответствуют более сильной регуляризации. Параметр alpha соответствует 1 / (2C) в других линейных моделях, таких как LogisticRegression или LinearSVC. При использовании перекрёстной проверки с исключением одного наблюдения значения alpha должны быть строго положительными.

Пример влияния силы регуляризации на коэффициенты модели см. в разделе Коэффициенты Ridge в зависимости от L2-регуляризации.

fit_interceptbool, по умолчанию=True

Вычислять ли свободный член для этой модели. Если задано значение false, свободный член не будет использоваться в вычислениях (то есть предполагается, что данные центрированы).

scoringstr, вызываемый объект, по умолчанию=None

Метод оценки для перекрёстной проверки. Варианты:

• str: варианты см. в разделе Оценщики с именами-строками.
• вызываемый объект: вызываемый объект-оценщик (например, функция) с сигнатурой scorer(estimator, X, y). Подробнее см. в разделе Вызываемые оценщики.
• None: отрицательная среднеквадратичная ошибка, если cv равен None (то есть при перекрёстной проверке с исключением одного наблюдения), или точность в противном случае.

cvцелое число, генератор разбиений для перекрёстной проверки или итерируемый объект, по умолчанию=None

Определяет стратегию разбиения для перекрёстной проверки. Возможные значения cv:

• None — для использования эффективной перекрёстной проверки с исключением одного наблюдения
• целое число — для указания количества частей,
• разбиватель для перекрёстной проверки,
• итерируемый объект, возвращающий разбиения (train, test) в виде массивов индексов.

Различные стратегии перекрёстной проверки, которые можно использовать здесь, описаны в руководстве пользователя.

class_weightdict или ‘balanced’, по умолчанию=None

Веса классов в формате {class_label: weight}. Если не заданы, предполагается, что вес каждого класса равен единице.

Режим «balanced» автоматически корректирует веса обратно пропорционально частотам классов во входных данных, используя значения y, по формуле n_samples / (n_classes * np.bincount(y)).

store_cv_resultsbool, по умолчанию=False

Флаг, указывающий, нужно ли сохранять результаты перекрёстной проверки для каждого значения alpha в атрибуте cv_results_ (см. ниже). Этот флаг совместим только с cv=None (то есть при использовании перекрёстной проверки с исключением одного наблюдения).

Изменено в версии 1.5: Имя параметра изменено с store_cv_values на store_cv_results.

Атрибуты:

cv_results_ndarray формы (n_samples, n_targets, n_alphas), необязательный

Результаты перекрёстной проверки для каждого значения alpha (только если store_cv_results=True и cv=None). После вызова fit() этот атрибут будет содержать среднеквадратичные ошибки, если scoring is None, иначе он будет содержать стандартизированные значения прогнозов для каждой точки.

Изменено в версии 1.5: cv_values_ изменено на cv_results_.

coef_ndarray формы (1, n_features) или (n_targets, n_features)

Коэффициенты признаков в функции принятия решения.

coef_ имеет форму (1, n_features), если задача является бинарной.

intercept_float или ndarray формы (n_targets,)

Свободный член функции принятия решения. Равен 0.0, если fit_intercept = False.

alpha_float

Оценённый параметр регуляризации.

best_score_float

Оценка базового оценщика с наилучшим значением alpha.

Добавлено в версии 0.23.

classes_ndarray формы (n_classes,)

Метки классов.

n_features_in_int

Количество признаков, обнаруженных при вызове fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, обнаруженных при вызове fit. Определяется только в том случае, если X содержит имена признаков, представленные строками.

Добавлено в версии 1.0.

См. также

Ridge

Регрессия Ridge.

RidgeClassifier

Классификатор Ridge.

RidgeCV

Регрессия Ridge со встроенной перекрёстной проверкой.

Примечания

Для многоклассовой классификации обучается n_class классификаторов по схеме «один против всех». В частности, это реализовано с использованием поддержки многомерных откликов в Ridge.

Примеры

>>> from sklearn.datasets import load_breast_cancer
>>> from sklearn.linear_model import RidgeClassifierCV
>>> X, y = load_breast_cancer(return_X_y=True)
>>> clf = RidgeClassifierCV(alphas=[1e-3, 1e-2, 1e-1, 1]).fit(X, y)
>>> clf.score(X, y)
0.9630...

decision_function(X)[исходный код]

Прогнозировать оценки уверенности для выборок.

Оценка уверенности для выборки пропорциональна знаковому расстоянию этой выборки до гиперплоскости.

Параметры:

X{массивоподобный объект, разреженная матрица} формы (n_samples, n_features)

Матрица данных, для которой нужно получить оценки уверенности.

Возвращает:

scoresndarray формы (n_samples,) или (n_samples, n_classes)

Оценки уверенности для каждой комбинации (n_samples, n_classes). В бинарном случае оценка уверенности для self.classes_[1], где значение >0 означает, что будет предсказан этот класс.

fit(X, y, sample_weight=None, **params)[исходный код]

Обучить классификатор Ridge с перекрёстной проверкой.

Параметры:

Xndarray формы (n_samples, n_features)

Обучающие векторы, где n_samples — количество выборок, а n_features — количество признаков. При использовании GCV при необходимости будет преобразован в float64.

yndarray формы (n_samples,)

Целевые значения. При необходимости тип будет приведён к типу X.

sample_weightfloat или ndarray формы (n_samples,), по умолчанию=None

Индивидуальные веса для каждой выборки. Если задано число с плавающей точкой, все выборки будут иметь одинаковый вес.

**paramsdict, по умолчанию=None

Параметры, передаваемые базовому оценщику.

Добавлено в версии 1.5: Доступно только если enable_metadata_routing=True, что можно задать с помощью sklearn.set_config(enable_metadata_routing=True). Подробнее см. в руководстве пользователя по маршрутизации метаданных.

Возвращает:

selfобъект

Обученный оценщик.

get_metadata_routing()[исходный код]

Получить сведения о маршрутизации метаданных этого объекта.

Описание работы механизма маршрутизации см. в руководстве пользователя.

Добавлено в версии 1.5.

Возвращает:

routingMetadataRouter

Объект MetadataRouter, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, будут возвращены параметры этого оценщика и содержащихся в нём подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров и соответствующие им значения.

predict(X)[исходный код]

Предсказать метки классов для выборок в X.

Параметры:

X{массивоподобный объект, разреженная матрица} формы (n_samples, n_features)

Матрица данных, для которой нужно предсказать целевые значения.

Возвращает:

y_predndarray формы (n_samples,) или (n_samples, n_outputs)

Вектор или матрица с прогнозами. В бинарных и многоклассовых задачах это вектор, содержащий n_samples. В задаче с несколькими метками возвращается матрица формы (n_samples, n_outputs).

score(X, y, sample_weight=None)[исходный код]

Вернуть точность на предоставленных данных и метках.

В классификации с несколькими метками это точность по подмножествам — строгая метрика, поскольку для каждой выборки требуется правильно предсказать весь набор меток.

Параметры:

Xмассивоподобный объект формы (n_samples, n_features)

Тестовые выборки.

yмассивоподобный объект формы (n_samples,) или (n_samples, n_outputs)

Истинные метки для X.

sample_weightмассивоподобный объект формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:

scorefloat

Средняя точность self.predict(X) относительно y.

set_fit_request(*, sample_weight:bool|None|str='$UNCHANGED$') → RidgeClassifierCV[исходный код]

Настроить, следует ли запрашивать передачу метаданных методу fit.

Обратите внимание, что этот метод имеет значение только тогда, когда данный оценщик используется как подчинённый оценщик в составе метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Описание работы механизма маршрутизации см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и передаются в fit, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не передаёт их в fit.
• None: метаданные не запрашиваются; если пользователь их предоставит, метаоценщик вызовет ошибку.
• str: метаданные передаются метаоценщику под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменить запрос для одних параметров, не затрагивая остальные.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfобъект

Обновлённый объект.

set_params(**params)[исходный код]

Задать параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). У последних параметры имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_score_request(*, sample_weight:bool|None|str='$UNCHANGED$') → RidgeClassifierCV[исходный код]

Настроить, следует ли запрашивать передачу метаданных методу score.

Обратите внимание, что этот метод имеет значение только тогда, когда данный оценщик используется как подчинённый оценщик в составе метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Описание работы механизма маршрутизации см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и передаются в score, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не передаёт их в score.
• None: метаданные не запрашиваются; если пользователь их предоставит, метаоценщик вызовет ошибку.
• str: метаданные передаются метаоценщику под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменить запрос для одних параметров, не затрагивая остальные.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfобъект

Обновлённый объект.