Ridge 回归通过对系数的大小施加惩罚来解决 普通最小二乘法 的一些问题。 岭系数最小化的是带罚项的残差平方和，
minw||Xw−y||22+α||w||22 minw||Xw−y||22+α||w||22 其中，α≥0α≥0 是控制系数收缩量的复杂性参数： αα 的值越大，收缩量越大，这样系数对共线性的鲁棒性也更强。
参数 alpha：{float，array-like}，shape（n_targets） 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。 较大的值指定较强的正则化。 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。
copy_X：boolean，可选，默认为True 如果为True，将复制X; 否则，它可能被覆盖。
fit_intercept：boolean 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（例如，数据预期已经居中）。
max_iter：int，可选 共轭梯度求解器的最大迭代次数。 对于’sparse_cg’和’lsqr’求解器，默认值由scipy.sparse.linalg确定。 对于’sag’求解器，默认值为1000。
normalize：boolean，可选，默认为False 如果为真，则回归X将在回归之前被归一化。 当fit_intercept设置为False时，将忽略此参数。 当回归量归一化时，注意到这使得超参数学习更加鲁棒，并且几乎不依赖于样本的数量。 相同的属性对标准化数据无效。 然而，如果你想标准化，请在调用normalize = False训练估计器之前，使用preprocessing.StandardScaler处理数据。
solver：{‘auto’，’svd’，’cholesky’，’lsqr’，’sparse_cg’，’sag’} 用于计算的求解方法： ‘auto’根据数据类型自动选择求解器。 ‘svd’使用X的奇异值分解来计算Ridge系数。对于奇异矩阵比’cholesky’更稳定。 ‘cholesky’使用标准的scipy.linalg.solve函数来获得闭合形式的解。 ‘sparse_cg’使用在scipy.sparse.linalg.cg中找到的共轭梯度求解器。作为迭代算法，这个求解器比大规模数据（设置tol和max_iter的可能性）的“cholesky”更合适。 ‘lsqr’使用专用的正则化最小二乘常数scipy.sparse.linalg.lsqr。它是最快的，但可能不是在旧的scipy版本可用。它还使用迭代过程。 ‘sag’使用随机平均梯度下降。它也使用迭代过程，并且当n_samples和n_feature都很大时，通常比其他求解器更快。注意，“sag”快速收敛仅在具有近似相同尺度的特征上被保证。您可以使用sklearn.preprocessing的缩放器预处理数据。 所有最后四个求解器支持密集和稀疏数据。但是，当fit_intercept为True时，只有’sag’支持稀疏输入。 新版本0.17支持：随机平均梯度下降解算器。
tol：float 解的精度。
random_state：int seed，RandomState实例或None（默认） 伪随机数生成器的种子，当混洗数据时使用。 仅用于’sag’求解器。 新版本0.17：random_state支持随机平均渐变。
返回值 coef_：array，shape（n_features，）或（n_targets，n_features） 权重向量。
intercept_：float | array，shape =（n_targets，） 决策函数的独立项，即截距。 如果fit_intercept = False，则设置为0.0。
n_iter_：array或None，shape（n_targets，） 每个目标的实际迭代次数。 仅适用于sag和lsqr求解器。 其他求解器将返回None。在版本0.17中出现。
方法 decision_function（\ * args，\ * \ * kwargs）DEPRECATED：将在0.19中删除。 fit（X，y [，sample_weight]）Fit Ridge回归模型 get_params（[deep]）获取此估计器的参数。 predict（X）使用线性模型进行预测 score（X，y [，sample_weight]）返回预测的确定系数R2R2。 set_params（\ * \ * params）设置此估计器的参数。
import numpy as np # 快速操作结构数组的工具 import matplotlib.pyplot as plt # 可视化绘制 from sklearn.linear_model import Ridge,RidgeCV # Ridge岭回归,RidgeCV带有广义交叉验证的岭回归 # 样本数据集，第一列为x，第二列为y，在x和y之间建立回归模型 data=[ [0.067732,3.176513],[0.427810,3.816464],[0.995731,4.550095],[0.738336,4.256571],[0.981083,4.560815], [0.526171,3.929515],[0.378887,3.526170],[0.033859,3.156393],[0.132791,3.110301],[0.138306,3.149813], [0.247809,3.476346],[0.648270,4.119688],[0.731209,4.282233],[0.236833,3.486582],[0.969788,4.655492], [0.607492,3.965162],[0.358622,3.514900],[0.147846,3.125947],[0.637820,4.094115],[0.230372,3.476039], [0.070237,3.210610],[0.067154,3.190612],[0.925577,4.631504],[0.717733,4.295890],[0.015371,3.085028], [0.335070,3.448080],[0.040486,3.167440],[0.212575,3.364266],[0.617218,3.993482],[0.541196,3.891471] ] #生成X和y矩阵 dataMat = np.array(data) X = dataMat[:,0:1] # 变量x y = dataMat[:,1] #变量y # ========岭回归======== model = Ridge(alpha=0.5) model = RidgeCV(alphas=[0.1, 1.0, 10.0]) # 通过RidgeCV可以设置多个参数值，算法使用交叉验证获取最佳参数值 model.fit(X, y) # 线性回归建模 print('系数矩阵:\n',model.coef_) print('线性回归模型:\n',model) # print('交叉验证最佳alpha值',model.alpha_) # 只有在使用RidgeCV算法时才有效 # 使用模型预测 predicted = model.predict(X) # 绘制散点图 参数：x横轴 y纵轴 plt.scatter(X, y, marker='x') plt.plot(X, predicted,c='r') # 绘制x轴和y轴坐标 plt.xlabel("x") plt.ylabel("y") # 显示图形 plt.show()
作者：数据架构师 来源： 原文：https://blog.csdn.net/luanpeng825485697/article/details/79829778
