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)
