javaee论坛

普通会员

225649

帖子

57

回复

71

积分

楼主
发表于 2019-11-14 14:00:45 | 查看: 11 | 回复: 0

最小化目标函数:∣∣y−Xw∣∣22+alpha∗∣∣w∣∣22||y-Xw||^2_2+alpha*||w||^2_2∣∣y−Xw∣∣22​+alpha∗∣∣w∣∣22​

参数:

alpha:正则化系数,float类型,默认为1.0。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。fit_intercept:是否需要截距,bool类型,默认为True。也就是是否求解b。normalize:是否先进行归一化,bool类型,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。copy_X:是否复制X数组,bool类型,默认为True,如果为True,将复制X数组;否则,它覆盖原数组X。max_iter:最大的迭代次数,int类型,默认为None,最大的迭代次数,对于sparse_cg和lsqr而言,默认次数取决于scipy.sparse.linalg,对于sag而言,则默认为1000次。tol:精度,float类型,默认为0.001。就是解的精度。solver:求解方法,str类型,默认为auto。可选参数为:auto、svd、cholesky、lsqr、sparse_cg、sag。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,但可能在旧的scipy版本不可用。它是使用迭代过程。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。random_state:sag的伪随机种子。

还有其他参数:

例子:>>>fromsklearn.linear_modelimportRidge>>>importnumpyasnp>>>n_samples,n_features=10,5>>>rng=np.random.RandomState(0)>>>y=rng.randn(n_samples)>>>X=rng.randn(n_samples,n_features)>>>clf=Ridge(alpha=1.0)>>>clf.fit(X,y)Ridge(alpha=1.0,copy_X=True,fit_intercept=True,max_iter=None,normalize=False,random_state=None,solver='auto',tol=0.001)

您需要登录后才可以回帖 登录 | 立即注册

触屏版| 电脑版

技术支持 历史网 V2.0 © 2016-2017