Python sklearn RidgeClassifierCV用法及代码示例

本文简要介绍python语言中 sklearn.linear_model.RidgeClassifierCV 的用法。

用法:

class sklearn.linear_model.RidgeClassifierCV(alphas=(0.1, 1.0, 10.0), *, fit_intercept=True, normalize='deprecated', scoring=None, cv=None, class_weight=None, store_cv_values=False)

具有内置交叉验证的岭分类器。

请参阅交叉验证估计器的词汇表条目。

默认情况下，它执行留一交叉验证。目前，仅能有效处理 n_features > n_samples 的情况。

在用户指南中阅读更多信息。

参数：

alphas：ndarray 形状 (n_alphas,)，默认 = (0.1, 1.0, 10.0)

要尝试的 alpha 值数组。正则化强度；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。较大的值指定更强的正则化。 Alpha 对应于其他线性模型中的 1 / (2C)，例如 LogisticRegression 或 LinearSVC 。

fit_intercept：布尔，默认=真

是否计算此模型的截距。如果设置为 false，则不会在计算中使用截距(即数据应居中)。

normalize：布尔，默认=假

当 fit_intercept 设置为 False 时忽略此参数。如果为 True，则回归量 X 将在回归前通过减去均值并除以 l2 范数进行归一化。如果您希望标准化，请在使用 normalize=False 对估计器调用 fit 之前使用 StandardScaler 。

scoring：str，可调用，默认=无

一个字符串(参见模型评估文档)或带有签名 scorer(estimator, X, y) 的记分器可调用对象/函数。

cv：int，交叉验证生成器或可迭代的，默认=无

确定交叉验证拆分策略。 cv 的可能输入是：

• 无，使用高效的留一法交叉验证
• 整数，指定折叠次数。
• CV分配器，
• 一个可迭代的 yield (train, test) 拆分为索引数组。

有关可在此处使用的各种交叉验证策略，请参阅用户指南。

class_weight：dict或‘balanced’，默认=无

与 {class_label: weight} 形式的类关联的权重。如果没有给出，所有的类都应该有一个权重。

“balanced” 模式使用 y 的值自动调整与输入数据中的类频率成反比的权重，如 n_samples / (n_classes * np.bincount(y)) 。

store_cv_values：布尔，默认=假

指示与每个 alpha 对应的交叉验证值是否应存储在 cv_values_ 属性中的标志(见下文)。该标志仅与cv=None兼容(即使用留一交叉验证)。

属性：

cv_values_：ndarray 形状(n_samples，n_targets，n_alphas)，可选

每个 alpha 的交叉验证值(仅当 store_cv_values=True 和 cv=None 时)。调用fit() 后，如果scoring is None，此属性将包含均方误差，否则它将包含标准化的每点预测值。

coef_：ndarray 形状 (1, n_features) 或 (n_targets, n_features)

决策函数中特征的系数。

当给定问题是二进制时，coef_ 的形状为 (1, n_features)。

intercept_：形状的浮点数或 ndarray (n_targets,)

决策函数中的独立项。如果 fit_intercept = False 则设置为 0.0。

alpha_：浮点数

估计的正则化参数。

best_score_：浮点数

具有最佳 alpha 的基本估计器的分数。

classes_ndarray 形状 (n_classes,)

类标签。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

注意：

对于多类分类，n_class 分类器采用 one-versus-all 方法进行训练。具体来说，这是通过利用 Ridge 中的 multi-variate 响应支持来实现的。

例子：

>>> 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...