RidgeCV

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

Гребневая регрессия со встроенной перекрёстной проверкой.

См. статью глоссария о оценивателе с перекрёстной проверкой.

По умолчанию выполняется эффективная перекрёстная проверка с исключением одного наблюдения (LOOCV).

Подробнее см. в руководстве пользователя.

Параметры:

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

Массив значений alpha для перебора. Сила регуляризации; должна быть положительным числом с плавающей точкой. Регуляризация улучшает обусловленность задачи и уменьшает дисперсию оценок. Большие значения задают более сильную регуляризацию. 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 регуляризации L2.

fit_interceptbool, по умолчанию True

Нужно ли вычислять свободный член для этой модели. Если задано значение false, при вычислениях свободный член не используется (то есть предполагается, что данные центрированы).

scoringstr, вызываемый объект, по умолчанию None

Метод оценки, используемый для перекрёстной проверки. Возможные варианты:

• str: варианты см. в разделе Оценщики, задаваемые строковым именем.
• вызываемый объект: вызываемый объект-оценщик (например, функция) с сигнатурой scorer(estimator, X, y). Подробности см. в разделе Вызываемые оценщики.
• None: отрицательная среднеквадратичная ошибка, если cv равно None (то есть при перекрёстной проверке с исключением одного наблюдения), или коэффициент детерминации (\(R^2\)) в противном случае.

cvint, генератор 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 фолдов,
• разбиватель перекрёстной проверки,
• итерируемый объект, возвращающий разбиения (train, test) в виде массивов индексов.

Для целочисленных значений/None, если y является бинарным или многоклассовым, используется StratifiedKFold, в противном случае используется KFold.

Описание различных стратегий перекрёстной проверки, которые можно использовать здесь, см. в руководстве пользователя.

gcv_mode{‘auto’, ‘svd’, ‘eigen’}, по умолчанию ‘auto’

Флаг, указывающий, какую стратегию использовать при перекрёстной проверке с исключением одного наблюдения. Возможные варианты:

'auto' : same as 'eigen'
'svd' : use singular value decomposition of X when X is dense,
    fallback to 'eigen' when X is sparse
'eigen' : use eigendecomposition of X X' when n_samples <= n_features
    or X' X when n_features < n_samples

Режим ‘auto’ используется по умолчанию и предназначен для выбора более дешёвого варианта в зависимости от формы и разреженности обучающих данных.

store_cv_resultsbool, по умолчанию False

Флаг, указывающий, нужно ли сохранять значения перекрёстной проверки для каждого 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.

alpha_per_targetbool, по умолчанию False

Флаг, указывающий, следует ли отдельно оптимизировать значение alpha (выбираемое из списка параметров alphas) для каждой целевой переменной (в задачах с несколькими выходами: несколькими целевыми переменными для прогнозирования). Если задано значение True, после обучения атрибут alpha_ будет содержать значение для каждой целевой переменной. Если задано значение False, для всех целевых переменных используется одно значение alpha. Этот флаг совместим только с cv=None (то есть при использовании перекрёстной проверки с исключением одного наблюдения).

Добавлено в версии 0.24.

Атрибуты:

cv_results_ndarray формы (n_samples, n_alphas) или (n_samples, n_targets, n_alphas), необязательный

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

Изменено в версии 1.5: cv_values_ переименован в cv_results_.

coef_ndarray формы (n_features) или (n_targets, n_features)

Вектор(ы) весов.

intercept_float или ndarray формы (n_targets,)

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

alpha_float или ndarray формы (n_targets,)

Оценённый параметр регуляризации или, если alpha_per_target=True, оценённый параметр регуляризации для каждой целевой переменной.

best_score_float или ndarray формы (n_targets,)

Оценка базового оценивателя с наилучшим значением alpha или, если alpha_per_target=True, оценка для каждой целевой переменной.

Добавлено в версии 0.23.

n_features_in_int

Количество признаков, обнаруженных во время обучения.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, обнаруженных во время обучения. Определяется только в том случае, если X имеет имена признаков, представленные строками.

Добавлено в версии 1.0.

См. также

Ridge

Гребневая регрессия.

RidgeClassifier

Классификатор на основе гребневой регрессии с метками {-1, 1}.

RidgeClassifierCV

Классификатор на основе гребневой регрессии со встроенной перекрёстной проверкой.

Примеры

>>> from sklearn.datasets import load_diabetes
>>> from sklearn.linear_model import RidgeCV
>>> X, y = load_diabetes(return_X_y=True)
>>> clf = RidgeCV(alphas=[1e-3, 1e-2, 1e-1, 1]).fit(X, y)
>>> clf.score(X, y)
0.5166...

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

Обучить модель гребневой регрессии с перекрёстной проверкой.

Параметры:

Xndarray формы (n_samples, n_features)

Обучающие данные. При использовании GCV при необходимости будет преобразован в float64.

yndarray формы (n_samples,) или (n_samples, n_targets)

Целевые значения. При необходимости будут преобразованы к типу данных X.

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

Индивидуальные веса для каждого образца. Если задано число с плавающей точкой, все образцы будут иметь одинаковый вес.

**paramsdict, по умолчанию None

Параметры, передаваемые базовому оценщику.

Добавлено в версии 1.5: Доступно только при 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:

selfobject

Обученный оцениватель.

Примечания

Если задан sample_weight, выбранный гиперпараметр может зависеть от того, используется ли перекрёстная проверка с исключением одного наблюдения (cv=None) или другой вид перекрёстной проверки, поскольку при вычислении оценки на проверочных данных веса образцов учитываются только при перекрёстной проверке с исключением одного наблюдения.

get_metadata_routing()[исходный код]

Получить настройки маршрутизации метаданных этого объекта.

Описание работы механизма маршрутизации см. в руководстве пользователя.

Добавлено в версии 1.5.

Возвращает:

routingMetadataRouter

MetadataRouter, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценивателя.

Параметры:

deepbool, по умолчанию True

Если True, будут возвращены параметры этого оценивателя и содержащихся в нём объектов-оценивателей.

Возвращает:

paramsdict

Имена параметров, сопоставленные их значениям.

predict(X)[исходный код]

Выполнить прогноз с помощью линейной модели.

Параметры:

Xмассивоподобный объект или разреженная матрица формы (n_samples, n_features)

Образцы.

Возвращает:

Cndarray формы (n_samples,) или (n_samples, n_outputs)

Предсказанные значения.

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

Возвращает коэффициент детерминации на тестовых данных.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — сумма квадратов остатков ((y_true - y_pred)** 2).sum(), а \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Наилучшая возможная оценка равна 1.0, но она может быть отрицательной (поскольку модель может быть сколь угодно хуже). Константная модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получила бы оценку \(R^2\), равную 0.0.

Параметры:

Xмассивоподобный объект формы (n_samples, n_features)

Тестовые образцы. Для некоторых оценивателей вместо этого может передаваться предварительно вычисленная матрица ядра или список произвольных объектов формы (n_samples, n_samples_fitted), где n_samples_fitted — количество образцов, использованных при обучении оценивателя.

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

Истинные значения для X.

sample_weightмассивоподобный объект формы (n_samples,), по умолчанию None

Веса образцов.

Возвращает:

scorefloat

Значение \(R^2\) для self.predict(X) относительно y.

Примечания

Для регрессора при вызове score используется оценка \(R^2\) с multioutput='uniform_average' начиная с версии 0.23, чтобы обеспечить соответствие значению по умолчанию r2_score. Это влияет на метод score всех регрессоров с несколькими выходами (за исключением MultiOutputRegressor).

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

Настроить, следует ли запрашивать передачу метаданных методу fit.

Обратите внимание, что этот метод имеет значение только тогда, когда данный оцениватель используется как вложенный оцениватель в составе метаоценивателя 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 указаны. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и метаоцениватель не передаёт их в fit.
• None: метаданные не запрашиваются, и метаоцениватель вызовет ошибку, если пользователь их предоставит.
• str: метаданные следует передавать метаоценивателю под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменить запрос для одних параметров, не меняя его для остальных.

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:

selfobject

Обновлённый объект.

set_params(**params)[исходный код]

Задать параметры этого оценивателя.

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

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfэкземпляр оценивателя

Экземпляр оценивателя.

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

Настроить, следует ли запрашивать передачу метаданных методу score.

Обратите внимание, что этот метод имеет значение только тогда, когда данный оцениватель используется как вложенный оцениватель в составе метаоценивателя 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 указаны. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и метаоцениватель не передаёт их в score.
• None: метаданные не запрашиваются, и метаоцениватель вызовет ошибку, если пользователь их предоставит.
• str: метаданные следует передавать метаоценивателю под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменить запрос для одних параметров, не меняя его для остальных.

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:

selfobject

Обновлённый объект.