岭回归sklearnAPI参数快速参考手册solver='auto',random_state=None)Parametersalpha解释：正则化项系数，值越大说明正则化设置越强：Alpha对应其他线性模型（如Logistic回归或LinearSVC）中的C^-1。如果传递数组，则假定惩罚是特定于目标的。因此，它们必须在数量上对应。fit_intercept解释：是否计算模型的截距设置：bool类型，可选，默认True；如果使用集中数据，可以考虑设置为False，不考虑截距normalize解释：是否对数据进行标准化，如果不计算截距，忽略该参数设置：bool类型，可选，默认False，推荐把标准化工作放在训练模型之前，通过设置sklearn.preprocessing.StandardScaler来实现，这里设置为false；当fit_intercept设置为false时，该参数会被自动忽略。如果为True，回归器会对输入参数进行标准化：减去平均值，除以对应的二范数copy_X解释：是否复制X的设置：bool类型，可选，默认True；如果为false，则通过中心归一化后，将新数据覆盖在原始数据X上。max_iter解释：共轭梯度求解器的最大迭代次数，需要与求解器配合使用。设置：solver为sparse_cg和lsqr时，默认为scipy.sparse.linalgOK，solver为sag时，默认值为1000tol解释：计算精度设置：float类型，默认=1e-3solver解释：solver{auto,svd,cholesky,lsqr,sparse_cg,sag,saga}设置：aotu：根据数据类型自动选择solversvd：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scipy.linalg.solve函数获取收敛系数sparse_cg：使用来自scipy.sparse.linalg.cg的Conjugategradientsolver。比cholesky更适合大规模数据（可以设置tol和max_iter）lsqr：专用正则化最小二乘法scipy.sparse.linalg.lsqrsag：随机平均梯度下降；仅当fit_intercept为True时支持密集数据传奇：下垂改进，无偏版本。使用SAGA梯度下降法可以使模型快速收敛random_state解释：随机数生成器的种子，仅在solver="sag"时使用线性模型的截距，一维情况下n_iter_实际迭代次数Methodsfit(self,X,y[,sample_weight])输入训练样本数据X，对应标记yget_params(self[,deep])返回参数值函数内linear_model.Ridge()predict(self,X)使用学习到的线性分类器预测markscore(self,X,y[,sample_weight])返回模型的拟合优度判断系数set_params(self,**params)设置函数linear_model.Ridge()的内部参数本文由博客发布平台OpenWrite发布！
