RidgeClassifierCV

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

Ridge-Klassifikator mit integrierter Kreuzvalidierung.

Siehe Glossareintrag für Cross-validation-Schätzer.

Standardmäßig wird eine Leave-One-Out-Kreuzvalidierung durchgeführt. Derzeit wird nur der Fall n_features > n_samples effizient behandelt.

Lesen Sie mehr im Benutzerhandbuch.

Parameter:

alphasarray-like der Form (n_alphas,), Standardwert=(0.1, 1.0, 10.0)

Array der zu versuchenden Alpha-Werte. Regularisierungsstärke; muss eine positive Gleitkommazahl sein. Regularisierung verbessert die Konditionierung des Problems und reduziert die Varianz der Schätzungen. Größere Werte bedeuten stärkere Regularisierung. Alpha entspricht 1 / (2C) in anderen linearen Modellen wie LogisticRegression oder LinearSVC. Bei Verwendung der Leave-One-Out-Kreuzvalidierung müssen alphas strikt positiv sein.

fit_interceptbool, Standardwert=True

Ob für dieses Modell ein Achsenabschnitt berechnet werden soll. Wenn auf False gesetzt, wird kein Achsenabschnitt in Berechnungen verwendet (d.h. die Daten werden als zentriert erwartet).

scoringstr, callable, Standardwert=None

Die verwendete Scoring-Methode für die Kreuzvalidierung. Optionen

• str: siehe Zeichenkettennamen für Bewerter für Optionen.

• callable: Ein Scorer-Callable-Objekt (z. B. Funktion) mit der Signatur scorer(estimator, X, y). Siehe Callable Scorer für Details.

• None: negativer mittlerer quadratischer Fehler wenn cv None ist (d.h. bei Verwendung von Leave-One-Out-Kreuzvalidierung), andernfalls Genauigkeit.

cvint, Kreuzvalidierungsgenerator oder iterierbar, Standardwert=None

Bestimmt die Strategie der Kreuzvalidierungsaufteilung. Mögliche Eingaben für cv sind

• None, um die effiziente Leave-One-Out-Kreuzvalidierung zu verwenden

• Ganzzahl, um die Anzahl der Folds anzugeben.

• CV-Splitter,

• Eine iterierbare Liste, die (Trainings-, Test-) Splits als Indizes-Arrays liefert.

Siehe Benutzerhandbuch für die verschiedenen Kreuzvalidierungsstrategien, die hier verwendet werden können.

class_weightdict oder ‘balanced’, Standard=None

Gewichte, die den Klassen zugeordnet sind, in der Form {Klassenbezeichnung: Gewicht}. Wenn nicht angegeben, wird angenommen, dass alle Klassen das Gewicht eins haben.

Der Modus „balanced“ verwendet die Werte von y, um Gewichte automatisch invers proportional zur Klassenhäufigkeit in den Eingabedaten anzupassen, als n_samples / (n_classes * np.bincount(y)).

store_cv_resultsbool, Standardwert=False

Flag, das angibt, ob die Kreuzvalidierungsergebnisse für jedes Alpha im Attribut cv_results_ (siehe unten) gespeichert werden sollen. Dieses Flag ist nur kompatibel mit cv=None (d.h. bei Verwendung der Leave-One-Out-Kreuzvalidierung).

Geändert in Version 1.5: Parametername von store_cv_values zu store_cv_results geändert.

Attribute:

cv_results_ndarray der Form (n_samples, n_targets, n_alphas), optional

Kreuzvalidierungsergebnisse für jedes Alpha (nur wenn store_cv_results=True und cv=None). Nach dem Aufruf von fit() enthält dieses Attribut die mittleren quadratischen Fehler, wenn scoring is None, andernfalls standardisierte Vorhersagewerte pro Punkt.

Geändert in Version 1.5: cv_values_ wurde zu cv_results_ geändert.

coef_ndarray der Form (1, n_features) oder (n_targets, n_features)

Koeffizienten der Merkmale in der Entscheidungsfunktion.

coef_ hat die Form (1, n_features), wenn das gegebene Problem binär ist.

intercept_float oder ndarray der Form (n_targets,)

Unabhängiger Term in der Entscheidungsfunktion. Auf 0.0 gesetzt, wenn fit_intercept = False.

alpha_float

Geschätzter Regularisierungsparameter.

best_score_float

Score des Basis-Schätzers mit bestem Alpha.

Hinzugefügt in Version 0.23.

classes_ndarray der Form (n_classes,)

Die Klassenbezeichnungen.

n_features_in_int

Anzahl der während des fits gesehenen Merkmale.

Hinzugefügt in Version 0.24.

feature_names_in_ndarray mit Form (n_features_in_,)

Namen der während fit gesehenen Merkmale. Nur definiert, wenn X Merkmalnamen hat, die alle Zeichenketten sind.

Hinzugefügt in Version 1.0.

Siehe auch

Ridge

Ridge-Regression.

RidgeClassifier

Ridge-Klassifikator.

RidgeCV

Ridge-Regression mit integrierter Kreuzvalidierung.

Anmerkungen

Für Mehrklassenklassifizierung werden n_class-Klassifikatoren im One-vs-All-Ansatz trainiert. Konkret wird dies durch Ausnutzung der Unterstützung für multivariate Antworten in Ridge implementiert.

Beispiele

>>> 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...

decision_function(X)

Konfidenz-Scores für Stichproben vorhersagen.

Der Konfidenz-Score für eine Stichprobe ist proportional zum vorzeichenbehafteten Abstand dieser Stichprobe zur Hyperebene.

Parameter:

X{array-like, sparse matrix} der Form (n_samples, n_features)

Die Datenmatrix, für die wir die Konfidenz-Scores erhalten möchten.

Gibt zurück:

scoresndarray der Form (n_samples,) oder (n_samples, n_classes)

Konfidenz-Scores pro (n_samples, n_classes)-Kombination. Im binären Fall, Konfidenz-Score für self.classes_[1], wobei >0 bedeutet, dass diese Klasse vorhergesagt würde.

fit(X, y, sample_weight=None, **params)

Ridge-Klassifikator mit cv trainieren.

Parameter:

Xndarray der Form (n_samples, n_features)

Trainingsvektoren, wobei n_samples die Anzahl der Stichproben und n_features die Anzahl der Merkmale ist. Bei Verwendung von GCV wird er ggf. in float64 umgewandelt.

yndarray der Form (n_samples,)

Zielwerte. Wird bei Bedarf in den Datentyp von X umgewandelt.

sample_weightfloat oder ndarray der Form (n_samples,), default=None

Einzelne Gewichte für jede Stichprobe. Wenn eine Gleitkommazahl angegeben wird, hat jede Stichprobe das gleiche Gewicht.

**paramsdict, default=None

Zu übergebende Parameter an den zugrunde liegenden Scorer.

Hinzugefügt in Version 1.5: Nur verfügbar, wenn enable_metadata_routing=True gesetzt ist, was durch Verwendung von sklearn.set_config(enable_metadata_routing=True) erfolgen kann. Weitere Details finden Sie in der Benutzerhandbuch für Metadaten-Routing.

Gibt zurück:

selfobject

Angepasster Schätzer.

get_metadata_routing()

Holt das Metadaten-Routing dieses Objekts.

Bitte prüfen Sie im Benutzerhandbuch, wie der Routing-Mechanismus funktioniert.

Hinzugefügt in Version 1.5.

Gibt zurück:

routingMetadataRouter

Ein MetadataRouter, der die Routing-Informationen kapselt.

get_params(deep=True)

Holt Parameter für diesen Schätzer.

Parameter:

deepbool, default=True

Wenn True, werden die Parameter für diesen Schätzer und die enthaltenen Unterobjekte, die Schätzer sind, zurückgegeben.

Gibt zurück:

paramsdict

Parameternamen, zugeordnet ihren Werten.

predict(X)

Klassenvorhersagen für Stichproben in X.

Parameter:

X{array-like, spare matrix} der Form (n_samples, n_features)

Die Datenmatrix, für die wir die Ziele vorhersagen möchten.

Gibt zurück:

y_predndarray der Form (n_samples,) oder (n_samples, n_outputs)

Vektor oder Matrix, die die Vorhersagen enthält. Bei binären und Mehrklassenproblemen ist dies ein Vektor, der n_samples enthält. Bei einem Mehrfach-Label-Problem gibt er eine Matrix der Form (n_samples, n_outputs) zurück.

score(X, y, sample_weight=None)

Gibt die Genauigkeit für die bereitgestellten Daten und Bezeichnungen zurück.

Bei der Multi-Label-Klassifizierung ist dies die Subset-Genauigkeit, eine strenge Metrik, da für jede Stichprobe verlangt wird, dass jede Label-Menge korrekt vorhergesagt wird.

Parameter:

Xarray-like der Form (n_samples, n_features)

Teststichproben.

yarray-like der Form (n_samples,) oder (n_samples, n_outputs)

Wahre Bezeichnungen für X.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

Gibt zurück:

scorefloat

Mittlere Genauigkeit von self.predict(X) in Bezug auf y.

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → RidgeClassifierCV

Konfiguriert, ob Metadaten für die fit-Methode angefordert werden sollen.

Beachten Sie, dass diese Methode nur relevant ist, wenn dieser Schätzer als Unter-Schätzer innerhalb eines Meta-Schätzers verwendet wird und Metadaten-Routing mit enable_metadata_routing=True aktiviert ist (siehe sklearn.set_config). Bitte lesen Sie das Benutzerhandbuch, um zu erfahren, wie der Routing-Mechanismus funktioniert.

Die Optionen für jeden Parameter sind

• True: Metadaten werden angefordert und, falls vorhanden, an fit übergeben. Die Anforderung wird ignoriert, wenn keine Metadaten vorhanden sind.

• False: Metadaten werden nicht angefordert und der Meta-Schätzer übergibt sie nicht an fit.

• None: Metadaten werden nicht angefordert und der Meta-Schätzer löst einen Fehler aus, wenn der Benutzer sie bereitstellt.

• str: Metadaten sollten mit diesem Alias an den Meta-Schätzer übergeben werden und nicht mit dem ursprünglichen Namen.

Der Standardwert (sklearn.utils.metadata_routing.UNCHANGED) behält die bestehende Anforderung bei. Dies ermöglicht es Ihnen, die Anforderung für einige Parameter zu ändern und für andere nicht.

Hinzugefügt in Version 1.3.

Parameter:

sample_weightstr, True, False, oder None, Standardwert=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter sample_weight in fit.

Gibt zurück:

selfobject

Das aktualisierte Objekt.

set_params(**params)

Setzt die Parameter dieses Schätzers.

Die Methode funktioniert sowohl bei einfachen Schätzern als auch bei verschachtelten Objekten (wie Pipeline). Letztere haben Parameter der Form <component>__<parameter>, so dass es möglich ist, jede Komponente eines verschachtelten Objekts zu aktualisieren.

Parameter:

**paramsdict

Schätzer-Parameter.

Gibt zurück:

selfestimator instance

Schätzer-Instanz.

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → RidgeClassifierCV

Konfiguriert, ob Metadaten für die score-Methode angefordert werden sollen.

Beachten Sie, dass diese Methode nur relevant ist, wenn dieser Schätzer als Unter-Schätzer innerhalb eines Meta-Schätzers verwendet wird und Metadaten-Routing mit enable_metadata_routing=True aktiviert ist (siehe sklearn.set_config). Bitte lesen Sie das Benutzerhandbuch, um zu erfahren, wie der Routing-Mechanismus funktioniert.

Die Optionen für jeden Parameter sind

• True: Metadaten werden angefordert und, falls vorhanden, an score übergeben. Die Anforderung wird ignoriert, wenn keine Metadaten vorhanden sind.

• False: Metadaten werden nicht angefordert und der Meta-Schätzer übergibt sie nicht an score.

• None: Metadaten werden nicht angefordert und der Meta-Schätzer löst einen Fehler aus, wenn der Benutzer sie bereitstellt.

• str: Metadaten sollten mit diesem Alias an den Meta-Schätzer übergeben werden und nicht mit dem ursprünglichen Namen.

Der Standardwert (sklearn.utils.metadata_routing.UNCHANGED) behält die bestehende Anforderung bei. Dies ermöglicht es Ihnen, die Anforderung für einige Parameter zu ändern und für andere nicht.

Hinzugefügt in Version 1.3.

Parameter:

sample_weightstr, True, False, oder None, Standardwert=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter sample_weight in score.

Gibt zurück:

selfobject

Das aktualisierte Objekt.