Python sklearn RidgeClassifierCV用法及代碼示例

本文簡要介紹python語言中 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)

具有內置交叉驗證的嶺分類器。

請參閱交叉驗證估計器的詞匯表條目。

默認情況下，它執行留一交叉驗證。目前，僅能有效處理 n_features > n_samples 的情況。

在用戶指南中閱讀更多信息。

參數：

alphas：ndarray 形狀 (n_alphas,)，默認 = (0.1, 1.0, 10.0)

要嘗試的 alpha 值數組。正則化強度；必須是正浮點數。正則化改善了問題的條件並減少了估計的方差。較大的值指定更強的正則化。 Alpha 對應於其他線性模型中的 1 / (2C)，例如 LogisticRegression 或 LinearSVC 。

fit_intercept：布爾，默認=真

是否計算此模型的截距。如果設置為 false，則不會在計算中使用截距(即數據應居中)。

normalize：布爾，默認=假

當 fit_intercept 設置為 False 時忽略此參數。如果為 True，則回歸量 X 將在回歸前通過減去均值並除以 l2 範數進行歸一化。如果您希望標準化，請在使用 normalize=False 對估計器調用 fit 之前使用 StandardScaler 。

scoring：str，可調用，默認=無

一個字符串(參見模型評估文檔)或帶有簽名 scorer(estimator, X, y) 的記分器可調用對象/函數。

cv：int，交叉驗證生成器或可迭代的，默認=無

確定交叉驗證拆分策略。 cv 的可能輸入是：

• 無，使用高效的留一法交叉驗證
• 整數，指定折疊次數。
• CV分配器，
• 一個可迭代的 yield (train, test) 拆分為索引數組。

有關可在此處使用的各種交叉驗證策略，請參閱用戶指南。

class_weight：dict或‘balanced’，默認=無

與 {class_label: weight} 形式的類關聯的權重。如果沒有給出，所有的類都應該有一個權重。

“balanced” 模式使用 y 的值自動調整與輸入數據中的類頻率成反比的權重，如 n_samples / (n_classes * np.bincount(y)) 。

store_cv_values：布爾，默認=假

指示與每個 alpha 對應的交叉驗證值是否應存儲在 cv_values_ 屬性中的標誌(見下文)。該標誌僅與cv=None兼容(即使用留一交叉驗證)。

屬性：

cv_values_：ndarray 形狀(n_samples，n_targets，n_alphas)，可選

每個 alpha 的交叉驗證值(僅當 store_cv_values=True 和 cv=None 時)。調用fit() 後，如果scoring is None，此屬性將包含均方誤差，否則它將包含標準化的每點預測值。

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

決策函數中特征的係數。

當給定問題是二進製時，coef_ 的形狀為 (1, n_features)。

intercept_：形狀的浮點數或 ndarray (n_targets,)

決策函數中的獨立項。如果 fit_intercept = False 則設置為 0.0。

alpha_：浮點數

估計的正則化參數。

best_score_：浮點數

具有最佳 alpha 的基本估計器的分數。

classes_ndarray 形狀 (n_classes,)

類標簽。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

注意：

對於多類分類，n_class 分類器采用 one-versus-all 方法進行訓練。具體來說，這是通過利用 Ridge 中的 multi-variate 響應支持來實現的。

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...