Ridge回归 sklearn API参数速查手册

sklearn.decomposition.PCA 参数速查手册

sklearn.linear_model.LinearRegression 参数速查手册

语法

sklearn.linear_model.Ridge(alpha=1.0,
fit_intercept=True, normalize=False,
copy_X=True, max_iter=None, tol=0.001, 
solver='auto', random_state=None)

Parameters

alpha

释义: 正则化项系数，较大的值指定更强的正则化

设置:Alpha对应于其他线性模型（如Logistic回归或LinearSVC）中的C^-1。如果传递数组，则假定惩罚被特定于目标。因此，它们必须在数量上对应。

fit_intercept

释义:是否计算该模型的截距

设置:bool型,可选,默认True;如果使用中心化的数据，可以考虑设置为False,不考虑截距

normalize

释义:是否对数据进行标准化处理，若不计算截距，则忽略此参数

设置:bool型,可选,默认False,建议将标准化的工作放在训练模型之前,通过设置sklearn.preprocessing.StandardScaler来实现，而在此处设置为false;当fit_intercept设置为false的时候，这个参数会被自动忽略。如果为True,回归器会标准化输入参数：减去平均值，并且除以相应的二范数

copy_X

释义:是否对X复制

设置:bool型、可选、默认True;如为false，则即经过中心化，标准化后，把新数据覆盖到原数据X上

max_iter

释义:共轭梯度求解器的最大迭代次数,需要与solver求解器配合使用

设置:solver为sparse_cg和lsqr时,默认由scipy.sparse.linalg确定,solver为sag时，默认值为1000

tol

释义:计算精度

设置:float型,默认=1e-3

solver

释义:求解器{auto,svd,cholesky,lsqr,sparse_cg,sag,saga}

设置:

aotu:根据数据类型自动选择求解器

svd:使用X的奇异值分解计算岭系数，奇异矩阵比cholesky更稳定

cholesky:使用标准的scipy.linalg.solve函数获得收敛的系数

sparse_cg:使用scipy.sparse.linalg.cg中的共轭梯度求解器。比cholesky更适合大规模数据（设置tol和max_iter的可能性）

lsqr:专用的正则化最小二乘方法scipy.sparse.linalg.lsqr

sag:随机平均梯度下降;仅在fit_intercept为True时支持密集数据

saga:sag改进，无偏版.采用SAGA梯度下降法可以使模型快速收敛

random_state

释义:随机数生成器的种子，仅在solver="sag"时使用

设置:int型, 默认None

Attributes

coef_

返回模型的估计系数（权重向量）

intercept_

线性模型的独立项，一维情形下的截距

n_iter_

实际迭代次数

Methods

fit(self, X, y[, sample_weight])

输入训练样本数据X，和对应的标记y

get_params(self[, deep])

返回函数linear_model.Ridge()内部的参数值

predict(self, X)

利用学习好的线性分类器，预测标记

score(self, X, y[, sample_weight])

返回模型的拟合优度判定系数

set_params(self, **params)

设置函数linear_model.Ridge()内部的参数