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=None, alpha_per_target=False, store_cv_values='deprecated')[source]

Регрессия Риджа с встроенной перекрестной проверкой.

См. запись в глоссарии для оценки перекрестной проверки.

По умолчанию используется эффективная перекрестная проверка по отбрасыванию одного образца.

Подробнее см. в Руководстве пользователя.

Параметры:

alphasмассив-подобный размера (n_alphas,), по умолчанию=(0.1, 1.0, 10.0)

Массив значений alpha для проверки. Сила регуляризации; должна быть положительным числом с плавающей запятой. Регуляризация улучшает обусловленность задачи и уменьшает дисперсию оценок. Большие значения означают более сильную регуляризацию. Alpha соответствует 1 / (2C) в других линейных моделях, таких как LogisticRegression или LinearSVC. При использовании перекрестной проверки по отбрасыванию одного образца значения 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 расчетах (т.е. ожидается, что данные будут центрированы).

scoringстрока, вызываемый объект, по умолчанию=None

Строка (см. Параметр scoring: определение правил оценки модели) или вызываемый объект/функция с сигнатурой scorer(estimator, X, y). Если None, то среднее квадратичное отклонение с отрицательным знаком, если cv равно ‘auto’ или None (т.е. при использовании перекрестной проверки по отбрасыванию одного образца), и r2-мера в противном случае.

cvцелое число, генератор перекрестной проверки или итерируемый объект, по умолчанию=None

Определяет стратегию разделения для перекрестной проверки. Возможные входные значения для cv:

• None, для использования эффективной перекрестной проверки по отбрасыванию одного образца
• целое число, для указания числа фолдов.
• делитель CV,
• Итерируемый объект, возвращающий (train, test) разделения как массивы индексов.

Для целочисленных/None входных данных, если y является бинарной или многоклассовой, используется StratifiedKFold, иначе используется KFold.

См. Руководство пользователя для различных стратегий перекрестной проверки, которые могут быть использованы здесь.

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

Флаг, указывающий, какую стратегию использовать при выполнении перекрестной проверки по отбрасыванию одного образца. Варианты:

'auto' : use 'svd' if n_samples > n_features, otherwise use 'eigen'
'svd' : force use of singular value decomposition of X when X is
    dense, eigenvalue decomposition of X^T.X when X is sparse.
'eigen' : force computation via eigendecomposition of X.X^T

Режим ‘auto’ — это значение по умолчанию и предназначен для выбора более дешевого варианта из двух в зависимости от формы обучающих данных.

store_cv_resultsbool, по умолчанию=False

Флаг, указывающий, следует ли сохранять значения перекрестной проверки, соответствующие каждому alpha, в атрибуте cv_results_ (см. ниже). Этот флаг совместим только с cv=None (т.е. при использовании перекрестной проверки по отбрасыванию одного образца).

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 оптимизировать значение alpha (выбранное из списка параметров alphas) для каждого целевого значения отдельно (для многовыходных настроек: несколько целевых значений предсказания). При установке в True, после обучения атрибут alpha_ будет содержать значение для каждого целевого значения. При установке в False, для всех целевых значений используется одно значение alpha.

Добавлен в версии 0.24.

store_cv_valuesbool

Флаг, указывающий, следует ли сохранять значения перекрестной проверки, соответствующие каждому alpha, в атрибуте cv_values_ (см. ниже). Этот флаг совместим только с cv=None (т.е. при использовании перекрестной проверки по отбрасыванию одного образца).

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-подобный размера (n_samples, n_alphas) или размера (n_samples, n_targets, n_alphas), необязательно

Значения перекрестной проверки для каждого alpha (доступно только если store_cv_results=True и cv=None). После вызова fit(), этот атрибут будет содержать средние квадратические 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-подобный размера (n_features) или (n_targets, n_features)

Вектор(ы) весов.

intercept_число с плавающей запятой или массив-подобный размера (n_targets,)

Свободный член в функции принятия решений. Установлено в 0,0, если fit_intercept = False.

alpha_число с плавающей запятой или массив-подобный размера (n_targets,)

Оцененный параметр регуляризации, или, если alpha_per_target=True, оцененный параметр регуляризации для каждого целевого значения.

best_score_число с плавающей запятой или массив-подобный размера (n_targets,)

Результат базового оценщика с лучшим alpha, или, если alpha_per_target=True, результат для каждого целевого значения.

Добавлен в версии 0.23.

n_features_in_целое число

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив-подобный размера (n_features_in_,)

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

Добавлен в версии 1.0.

См. также

Ridge

Регрессия Риджа.

RidgeClassifier

Классификатор, основанный на регрессии Риджа для меток {-1, 1}.

RidgeClassifierCV

Классификатор Риджа с встроенной перекрестной 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)[source]

Обучение модели регрессии Риджа с перекрестной проверкой.

Параметры:

Xмассив-подобный размера (n_samples, n_features)

Обучающие данные. При использовании GCV будут при необходимости преобразованы к типу float64.

yмассив-подобный размера (n_samples,) или (n_samples, n_targets)

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

sample_weightчисло с плавающей запятой или массив-подобный размера (n_samples,), по умолчанию=None

Индивидуальные веса для каждого образца. Если задано число с плавающей запятой, каждый образец будет иметь одинаковый вес.

**paramsсловарь, по умолчанию=None

Параметры, которые должны быть переданы базовому оценщику.

Добавлен 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. Руководство пользователя по маршрутизации метаданных.

Возвращает:

selfобъект

Обученный оценщик.

Замечания

При предоставлении sample_weight выбранный гиперпараметр может зависеть от того, используем ли мы перекрестную проверку по отбрасыванию одного образца (cv=None или cv=’auto’) или другой вид перекрестной проверки, поскольку только перекрестная проверка по отбрасыванию одного образца учитывает веса образцов при вычислении результата проверки.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя по тому, как работает механизм маршрутизации.

Добавлен в версии 1.5.

Возвращает:

routingMetadataRouter

Объект MetadataRouter, инкапсулирующий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

predict(X)[source]

Предсказание с помощью линейной модели.

Параметры:

Xarray-like или разреженная матрица, форма (n_samples, n_features)

Образцы.

Возвращает:

Cмассив, форма (n_samples,)

Возвращает предсказанные значения.

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

Возвращает коэффициент детерминации предсказания.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — сумма квадратов остатков ((y_true - y_pred)** 2).sum() и \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Лучшее возможное значение равно 1.0, и оно может быть отрицательным (потому что модель может быть произвольно хуже). Постоянная модель, которая всегда предсказывает ожидаемое значение y, не учитывая входные признаки, получила бы значение \(R^2\) равное 0,0.

Параметры:

Xarray-like с формой (n_samples, n_features)

Тестовые образцы. Для некоторых оценщиков это может быть предопределенная матрица ядра или список общих объектов вместо неё с формой (n_samples, n_samples_fitted), где n_samples_fitted — число образцов, используемых при подгонке для оценщика.

yarray-like с формой (n_samples,) или (n_samples, n_outputs)

Истинные значения для X.

sample_weightarray-like с формой (n_samples,), по умолчанию=None

Веса образцов.

Возвращает:

scorefloat

\(R^2\) значения self.predict(X) по отношению к y.

Примечания

Значение \(R^2\), используемое при вызове score для регрессора, использует multioutput='uniform_average' с версии 0.23 для согласованности с значением по умолчанию r2_score. Это влияет на метод score всех регрессоров с несколькими выходами (кроме MultiOutputRegressor).

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

Запросить метаданные, переданные методу fit.

Обратите внимание, что этот метод релевантен только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, ознакомьтесь с Руководством пользователя по тому, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в fit при наличии. 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 выведет ошибку, если пользователь предоставит их.
• str: метаданные должны быть переданы мета-оценщику с этим псевдонимом вместо исходного имени.

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

Добавлен в версии 1.3.

Примечание

Этот метод релевантен только в том случае, если этот оценщик используется в качестве под-оценщика мета-оценщика, 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 fit.

Возвращает:

selfобъект

Обновленный объект.

set_params(**params)[source]

Установите параметры этого оценщика.

Метод работает как с простыми оценщиками, так и со вложенными объектами (такими как Pipeline). Последние имеют параметры в формате <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='$UNCHANGED$') → RidgeCV[source]

Запрос метаданных, передаваемых методу score.

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

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются score, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не будет передавать их score.
• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь их предоставит.
• str: метаданные должны передаваться мета-оценщику с данным 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.

Добавлена в версии 1.3.

Примечание

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

Параметры:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfобъект

Обновленный объект.

Примеры из галереи

Объединение предикторов с помощью стекинга

Инженерия временных признаков

Выбор признаков на основе модели и последовательный выбор признаков

Общие ошибки в интерпретации коэффициентов линейных моделей

Восстановление лица с помощью многовыходных оценщиков

Влияние преобразования целевых значений на регрессионную модель