RidgeClassifierCV

классsklearn.linear_model.RidgeClassifierCV(alphas=(0.1, 1.0, 10.0), *, fit_intercept=True, scoring=None, cv=None, class_weight=None, store_cv_results=None, store_cv_values='deprecated')[source]

Линейный классификатор с регуляризацией Ridge с встроенной кросс-валидацией.

См. запись в глоссарии для оценщика кросс-валидации.

По умолчанию используется Leave-One-Out кросс-валидация. В настоящее время эффективно обрабатывается только случай n_features > n_samples.

Подробнее см. в Руководстве пользователя.

Параметры:

alphasпоследовательность значений shape (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 снижает дисперсию оценок. Более большие значения указывают на более сильную регуляризацию. Alpha соответствует 1 / (2C) в других линейных моделях, таких как LogisticRegression или LinearSVC. При использовании Leave-One-Out кросс-валидации alphas должны быть строго положительными.

fit_interceptbool, по умолчанию=True

Вычислять ли свободный член для этой модели. Если установлено в false, свободный член не будет использоваться в вычислениях (т.е. ожидается, что данные центрированы).

scoringстрока, вызываемая функция, по умолчанию=None

Строка (см. Параметр scoring: определение правил оценки модели) или вызываемый объект/функция-оцениватель с сигнатурой scorer(estimator, X, y).

cvцелое число, генератор кросс-валидации или итерируемый объект, по умолчанию=None

Определяет стратегию разделения кросс-валидации. Возможные входные данные для cv:

• None, для использования эффективной Leave-One-Out кросс-валидации
• целое число, для указания количества фолдов.
• делитель кросс-валидации,
• Итерируемый объект, возвращающий (обучающая, тестовая) разделения в виде массивов индексов.

См. Руководство пользователя для различных стратегий кросс-валидации, которые могут быть здесь использованы.

class_weightсловарь или ‘balanced’, по умолчанию=None

Веса, связанные с классами в форме {class_label: weight}. Если не задано, предполагается, что у всех классов вес равен единице.

Режим “balanced” использует значения y, чтобы автоматически подстроить веса, обратно пропорциональные частотам классов в входных данных, как n_samples / (n_classes * np.bincount(y)).

store_cv_resultsbool, по умолчанию=False

Флаг, указывающий, следует ли хранить результаты кросс-валидации, соответствующие каждому alpha, в атрибуте cv_results_ (см. ниже). Этот флаг совместим только с cv=None (т.е. использованием Leave-One-Out кросс-валидации).

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

store_cv_valuesbool

Флаг, указывающий, следует ли хранить значения кросс-валидации, соответствующие каждому alpha, в атрибуте cv_values_ (см. ниже). Этот флаг совместим только с cv=None (т.е. использованием Leave-One-Out кросс-валидации).

Устарело начиная с версии 1.5: store_cv_values устарело в версии 1.5 в пользу store_cv_results и будет удалено в версии 1.7.

Атрибуты:

cv_results_массив shape (n_samples, n_targets, n_alphas), необязательно

Результаты кросс-валидации для каждого alpha (только если store_cv_results=True и cv=None). После вызова fit(), этот атрибут будет содержать средние квадратичные ошибки, если scoring is None, в противном случае он будет содержать стандартизированные значения предсказаний на каждую точку.

Изменено в версии 1.5: cv_values_ изменено на cv_results_.

coef_массив shape (1, n_features) или (n_targets, n_features)

Коэффициенты признаков в функции принятия решений.

coef_ имеет форму (1, n_features), когда заданная проблема бинарная.

intercept_число с плавающей точкой или массив shape (n_targets,)

Свободный член в функции принятия решений. Установлено в 0.0, если fit_intercept = False.

alpha_число с плавающей точкой

Оценённый параметр регуляризации.

best_score_число с плавающей точкой

Оценка базового оценщика с лучшим alpha.

Добавлен в версии 0.23.

classes_массив shape (n_classes,)

Метки классов.

n_features_in_целое число

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив shape (n_features_in_,)

Имена признаков, увиденные во время fit. Определены только когда X имеет имена признаков, которые все являются строками.

Добавлен в версии 1.0.

См. также

Ridge

Регрессия Ridge.

RidgeClassifier

Линейный классификатор Ridge.

RidgeCV

Регрессия Ridge со встроенной кросс-валидацией.

Примечания

Для многоклассовой классификации обучаются n_class классификаторы в подходе один-против-всех. Конкретно, это реализуется с использованием поддержки многомерного ответа 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...

свойствоclasses_

Метки классов.

decision_function(X)[source]

Предсказание оценок уверенности для образцов.

Оценка уверенности для образца пропорциональна подписанному расстоянию этого образца до гиперплоскости.

Параметры:

X{array-like, разреженная матрица} shape (n_samples, n_features)

Матрица данных, для которой необходимо получить оценки уверенности.

Возвращает:

scoresмассив shape (n_samples,) или (n_samples, n_classes)

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

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

Обучение классификатора Ridge с перекрестной проверкой.

Параметры:

Xмассив формы (n_samples, n_features)

Обучающие векторы, где n_samples — количество выборок, а n_features — количество признаков. При использовании GCV, при необходимости, будет преобразовано к типу float64.

yмассив формы (n_samples,)

Целевые значения. При необходимости будет преобразовано к типу dtype объекта X.

sample_weightчисло или массив формы (n_samples,), по умолчанию=None

Индивидуальные веса для каждой выборки. Если задано число, у каждой выборки будет одинаковый вес.

**paramsсловарь, по умолчанию=None

Параметры, которые необходимо передать в подлежащий оценщик.

Добавлен в версии 1.5: Доступен только если enable_metadata_routing=True, что можно задать, используя sklearn.set_config(enable_metadata_routing=True). Для получения более подробной информации см. Руководство по маршрутизации метаданных.

Возвращает:

selfобъект

Обученный оценщик.

get_metadata_routing()[source]

Получение маршрутизации метаданных этого объекта.

Пожалуйста, проверьте Руководство по тому, как работает механизм маршрутизации.

Добавлен в версии 1.5.

Возвращает:

routingMetadataRouter

Объект MetadataRouter, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получение параметров этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и вложенных под-объектов, являющихся оценщиками.

Возвращает:

paramsсловарь

Имена параметров, сопоставленные с их значениями.

predict(X)[source]

Предсказание меток классов для выборок в X.

Параметры:

X{массив, разреженный массив} формы (n_samples, n_features)

Матрица данных, для которых необходимо предсказать целевые значения.

Возвращает:

y_predмассив формы (n_samples,) или (n_samples, n_outputs)

Вектор или матрица, содержащая предсказания. В бинарных и многоклассовых задачах это вектор, содержащий n_samples. В многомеченой задаче возвращает матрицу формы (n_samples, n_outputs).

score(X, y, sample_weight=None)[source]

Возвращает среднюю точность на заданных тестовых данных и метках.

В многомеченой классификации это точность подмножества, которая является жестким показателем, поскольку для каждой выборки требуется, чтобы каждый набор меток был правильно предсказан.

Параметры:

Xмассив формы (n_samples, n_features)

Тестовые выборки.

yмассив формы (n_samples,) или (n_samples, n_outputs)

Истинные метки для X.

sample_weightмассив формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:

scoreчисло с плавающей точкой

Средняя точность self.predict(X) по отношению к y.

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

Запрос метаданных, передаваемых в метод fit.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Для получения более подробной информации о механизме маршрутизации см. Руководство.

Варианты для каждого параметра:

• True: запрашиваются метаданные, и передаются в fit если предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их в fit.
• None: метаданные не запрашиваются, и мета-оценщик вызовет ошибку, если пользователь предоставит их.
• str: метаданные должны передаваться в мета-оценщик с этим псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED): сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только в том случае, если этот оценщик используется как под-оценщик мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfобъект

Обновленный объект.

set_params(**params)[source]

Установите параметры этого оценивателя.

Метод работает как с простыми оценивателями, так и со вложенными объектами (такими как Pipeline). Последние имеют параметры в формате <component>__<parameter>, чтобы можно было обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfэкземпляр оценивателя

Экземпляр оценивателя.

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

Запрос метаданных, переданных методу score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, ознакомьтесь со Руководством пользователя, чтобы узнать, как работает механизм маршрутизации.

Доступные варианты для каждого параметра:

• True: метаданные запрашиваются и передаются score если предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оцениватель не передаст их score.
• None: метаданные не запрашиваются, и мета-оцениватель выдаст ошибку, если пользователь их предоставит.
• str: метаданные должны передаваться мета-оценивателю с этим псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если этот оцениватель используется как под-оцениватель мета-оценивателя, например, внутри Pipeline. В противном случае он не имеет эффекта.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfобъект

Обновленный объект.