参数

解释

fit_intercept

bool,默认=True,是否计算该模型的截距。如果使用中心化的数据，可以考虑设置为False,不考虑截距。注意这里是考虑，一般还是要考虑截距

normalize

bool,默认=False，当fit_intercept设置为false的时候，这个参数会被自动忽略。如果为True,回归器会标准化输入参数：减去平均值，并且除以相应的二范数。当然啦，在这里还是建议将标准化的工作放在训练模型之前。通过设置sklearn.preprocessing.StandardScaler来实现，而在此处设置为false

copy_X

bool,默认=True, 否则X会被改写

n_jobs

int,默认=None，CPU个数，int  默认为1. 当-1时默认使用全部CPU

positive

bool,  默认=False，映射到其值。如果设置为True，则强制系数为正。只有密集阵列才支持此选项。版本0.24中的新功能。

属性

解释

coef_

array of shape (n_features, ) or (n_targets, n_features)。训练后的输入端模型系数，如果label有两个，即y值有两列。那么是一个2D的array

rank_

int。矩阵X的秩。仅当X稠密时可用

singular_

array of shape (min(X, y),) X的奇异值。仅当X密集时可用。线性模型中与形状无关的浮点数或数组。如果fit_intercept=False，则设置为0.0。

intercept_

float or array of shape (n_targets,).线性模型中的独立项(截距)。如果fit_intercept=False，则设置为0.0

fit(X,y,sample_weight=None)

拟合线性模型

输入

X

array, 稀疏矩阵 [n_samples,n_features]

y

array [n_samples, n_targets]

sample_weight

权重 array [n_samples]。在版本0.17后添加了sample_weight

输出

self

返回self的实例

get_params(deep=True)

获取此估计器的参数

输入

deep

bool, 默认=True如果为True，则将返回此估计器的参数以及作为估计器的包含子对象

输出

dict

映射到其值的参数名称。

predict(X)

用线性模型预测。

输入

X

array-like or sparse matrix, shape (n_samples, n_features)。样本

输出

C

array, shape (n_samples,)返回预测值。

score (X,  y,  sample_weight=None)

返回给定测试数据和标签的平均精确度。在多标签分类中，这是子集精度，这是一个苛刻的度量标准，因为您需要为每个样本准确地预测每个标签集。

输入

X

array-like, shape = (n_samples,  n_features)。测试样本

y 

array-like, shape = (n_samples)  or (n_samples, n_outputs)。真的X标签。

sample_weight

array-like, shape = [n_samples],  optional。测试权重

输出

score 

float。R²平均精度self.predict(X) wrt. y.

set_params ( **params )

设置此估算器的参数。该方法适用于简单的估计器以及嵌套对象(如管道)。后者具有<component>  __ <parameter>形式的参数，以便可以更新嵌套对象的每个组件。

输入

**params

dict估计器参数。

输出

self

估计器实例

参数

解释

alpha

{float, ndarray of shape (n_targets,)}, 默认=1.0。正则化强度；必须是正浮点数。正则化改进了问题的条件，减少了估计的方差。值越大，正则化越强。Alpha对应于其他线性模型中的1/(2C)，如logisticsregression或LinearSVC。如果传递了数组，则假定惩罚是特定于目标的。因此它们在数量上必须一致。

dual

bool, 默认=True。双重或原始公式。双公式只适用于使用L2惩罚的线性求解器。当样本数> 特征数时，更推荐False。

tol

浮点数, 默认: 1e-4。两次迭代误差停止阈值。

C

浮点数, 默认: 1.0。正则化强度的逆；必须是正浮点。像支持向量机一样，较小的值指定更强的正则化。

fit_intercept

布尔值, 默认: True。指定是否应将常数(A.K.偏差或截距)添加到决策函数中。建议设置 fit_intercept=True 并增大 intercept_scaling

intercept_scaling

浮点数, 默认 1.只有在使用求解器'Libliear'和Self.fit_intercept截距被设置为true时才有用。在这种情况下，x变成[x，self.intercept_scaling]，即，在实例向量中附加一个具有常数值等于intercept_scaling的'合成'特征。截距变为截距标度*综合特征权重.注意！合成特征权重与所有其他特征一样受L1/L2正则化的影响。为了减少正则化对合成特征权重的影响，因此intercept_scaling  必须增大。

class_weight

dict or 'balanced', 默认: None。与字典形式{类标签：权重}相关联的权重。如果没有给出，所有的类都设置为权重1。"平衡"模式使用y的值以n_.samples/(n_classes*np.bincount(y))的形式自动调整与输入数据中的类频率成反比的权重。

random_state

int，随机状态实例或无，可选，默认：无。伪随机数生成器的种子，用于清洗数据。如果int，random_state是随机数生成器使用的种子；如果randomstate实例，random_state是随机数发生器；如果没有，随机数生成器使用的np.random的randomstate实例。当求解器＝"sag"或"linear"时使用。

solver

{'newton-cg', 'lbfgs', 'liblinear', 'sag', 'saga'},注意，'洼地'和'传奇'的快速收敛仅保证具有近似相同尺度的特征。您可以用SkReln.PrimeCurror的标尺对数据进行预处理。

max_iter

int, 默认: 100。仅适用于'newton-cg'，'sag'和'lbfgs'求解器。求解器收敛的最大迭代次数。

multi_class

str, {'ovr', 'multinomial'}, 默认: 'ovr'。多选项可以是'ovr'或'multinomial'。如果选择的选项是'ovr'，那么每个标签都适用于二进制问题。否则损失最小的是多项式损失拟合整个概率分布。不适用于线性求解器。

verbose

int, 默认: 0。冗长0：不输出训练过程，静默输出；1：类似静默输出，只输出简洁信息；>1：对每个子模型都输出详细信息

n_jobs

int, 默认: 1。如果multi_class  ＝'ovr'，代表在类间并行化时使用的CPU核数。当将'solver'设置为'libli.'时，忽略此参数，而不管是否指定了'multi_class'。如果给定值为-1，则使用所有的核。

属性

解释

coef_

决策函数中的特征系数，即权重系数。当给定的问题是二进制时，coef_形状是(1，n-特征)

intercept_

截距(a.k.a. bias)添加到决策函数中，即B值。如果fit_intercept截距设置为false，则截距设置为零。当问题是二进制时，截距是(1，)的形状。

n_iter_

所有类的实际迭代次数。如果是二进制或多项式，它只返回元素1。对于线性求解器，只给出了所有类的最大迭代次数。

decision_function(X)

预测样本的置信度得分。

样本的置信度得分是该样本到超平面的有符号距离。

输入

X

类数组或稀疏矩阵，形状（n个样本，n个特征）.样品。

输出

self

数组，形状=（n_samples,）如果n_classes == 2个其他（n_samples, n_classes）每个（sample, class）组合的置信度得分。在二元情况下，对self.classes_[1]  其中>0表示该类将被预测。

densify(X)

将系数矩阵转换为密集数组格式。将coef_成员（back）转换为numpy.ndarray. 这是coef_的默认格式，是拟合所必需的，因此仅在以前已稀疏的模型上需要调用此方法；否则，这是不允许的。

输出

self

拟合估计量。

fit(X,y,sample_weight=None)

根据给定的训练数据对模型进行拟合。

输入

X

{array-like, sparse matrix} of shape (n_samples, n_features)

array, 训练向量，其中n_samples是样本数，n_features是特征数。

y

array [n_samples, n_targets] 。相对于X的目标向量。

sample_weight

array-like of shape (n_samples,) 默认=None

分配给单个样本的权重数组。如果没有提供，则每个样品都有单位权重。

版本0.17中的新功能：对LogisticRegression的示例重量支持。

输出

self

拟合估计量。

get_params(deep=True)

获取此估计器的参数

输入

deep

bool, 默认=True如果为True，则将返回此估计器的参数以及作为估计器的包含子对象

输出

dict

映射到其值的参数名称。

predict(X)

用线性模型预测。

输入

X

array-like or sparse matrix, shape (n_samples, n_features)。样本

输出

C

array, shape (n_samples,)返回预测值。

predict_log_proba(X)

预测概率估计的对数。所有类的返回估计值按类的标签排序。

输入

X

array-like of shape (n_samples, n_features)

要评分的向量，其中n_samples是样本数，n_features是特征数。

输出

T

array-like of shape (n_samples, n_classes)

返回模型中每个类的样本的对数概率，其中类按其在模型中的顺序排列self.classes_.

predict_proba(X)

概率估计。所有类的返回估计值按类的标签排序。对于一个多类问题，如果多类被设置为“多项式”，则使用softmax函数来寻找每个类的预测概率。否则使用一对一方法，即使用逻辑函数计算每个类的概率，假设它是正的。并在所有类中规范化这些值。

输入

X

array-like of shape (n_samples, n_features)

要评分的向量，其中n_samples是样本数，n_features是特征数。

输出

T

array-like of shape (n_samples, n_classes)

返回模型中每个类的样本概率，其中类按其在模型中的顺序排列self.classes_.

score (X,  y,  sample_weight=None)

返回给定测试数据和标签的平均精确度。在多标签分类中，这是子集精度，这是一个苛刻的度量标准，因为您需要为每个样本准确地预测每个标签集。

输入

X

array-like, shape = (n_samples,  n_features)。测试样本

y 

array-like, shape = (n_samples)  or (n_samples, n_outputs)。真的X标签。

sample_weight

array-like, shape = [n_samples],  optional。测试权重

输出

score 

float。R²平均精度self.predict(X) wrt. y.

set_params ( **params )

设置此估算器的参数。该方法适用于简单的估计器以及嵌套对象(如管道)。后者具有<component>  __ <parameter>形式的参数，以便可以更新嵌套对象的每个组件。

输入

**params

dict估计器参数。

输出

self

估计器实例

sparsify()

将系数矩阵转换为稀疏格式。将coef_成员转换为稀疏的矩阵。对于L1正则化模型，它可以比平常numpy.ndarray描述更节省内存和存储。intercept_没有转化。

输出

self

拟合估计量

属性

解释

alpha

{float, ndarray of shape (n_targets,)}, 默认=1.0

正则化强度；必须是正浮点数。正则化改进了问题的条件，减少了估计的方差。值越大，正则化越强。Alpha对应于其他线性模型中的1/(2C)，如logisticsregression或LinearSVC。如果传递了数组，则假定惩罚是特定于目标的。因此它们在数量上必须一致。

fit_intercept

bool, 默认=True。是否适合此模型的截距。如果设置为false，则在计算中不使用截距（即X和y应居中）。

normalize

bool, 默认=False。当fit_intercept设置为False时，将忽略此参数。如果为真，回归系数X将在回归前通过减去平均值并除以l2范数进行归一化。如果您希望标准化，请在对normalize=False的估计器调用fit之前使用StandardScaler。

copy_X

bool, 默认=True。如果为True，则复制X；否则，可能会覆盖X。

max_iter

max_iterint, 默认=None. 共轭梯度解算器的最大迭代次数。对于'sparse_cg'和'lsqr'解算器，默认值由scipy.sparse.linalg. 对于'sag'解算器，默认值为1000。

tol

float, 默认=1e-3

指定模型求解最优化问题的算法。

solver

{'auto', 'svd', 'cholesky', 'lsqr', 'sparse_cg', 'sag', 'saga'}, 默认='auto'

在计算例程中使用的解算器：

'auto'根据数据类型自动选择解算器。

'svd'使用X的奇异值分解来计算岭系数。对于奇异矩阵，比'cholesky'更稳定。

'cholesky'使用标准scipy.linalg.solve解决方案函数以获得闭式解。

'sparse_cg'使用共轭梯度解算器，如中所示scipy.sparse.linalg.cg。作为一种迭代算法，该求解器比'cholesky'更适用于大规模数据(可以设置tol和max iter)。

'lsqr'使用专用的正则化最小二乘例程scipy.sparse.linalg.lsqr。它是最快的，并且使用迭代过程。

'sag'使用随机平均梯度下降，'sag'使用改进的无偏版本saga。这两种方法也都使用迭代过程，并且当n_samples和n_features都很大时，通常比其他解算器更快。请注意，'sag'和'saga'快速收敛仅在具有近似相同比例的特征上得到保证。您可以使用来自的定标器对数据进行预处理sklearn.预处理.

最后五个解算器都支持密集和稀疏数据。但是，当fit_intercept为真时，只有'sag'和'sparse_cg'支持稀疏输入。

新版本0.17：随机平均梯度下降解算器。

版本0.19中的新功能：SAGA solver。

random_state

int, RandomState instance, 默认=None

当solver=='sag'或'saga'时用于洗牌数据。

版本0.17中的新功能：支持随机平均梯度的随机状态。

属性

解释

coef_

ndarray of shape (n_features,) or (n_targets, n_features)

权重向量。

intercept_

float or ndarray of shape (n_targets,)。决策函数中的独立项。如果fit_intercept = False，则设置为0.0。

n_iter_

None or ndarray of shape (n_targets,)。每个目标的实际迭代次数。仅适用于sag和lsqr解算器。其他解算器将不返回任何值。版本0.17中的新功能。

fit(X,y,sample_weight=None)

拟合岭回归模型。

输入

X

{ndarray, sparse matrix} of shape (n_samples, n_features)

训练数据

y

ndarray of shape (n_samples,) or (n_samples, n_targets)。目标值

sample_weight

每个样品的单独权重。如果给定一个float，每个样品的权重都是一样的。

输出

self

返回self的实例

get_params(deep=True)

获取此估计器的参数

输入

deep

bool, 默认=True如果为True，则将返回此估计器的参数以及作为估计器的包含子对象

输出

dict

映射到其值的参数名称。

predict(X)

用线性模型预测。

输入

X

array-like or sparse matrix, shape (n_samples, n_features)。样本

输出

C

array, shape (n_samples,)返回预测值。

score (X,  y,  sample_weight=None)

返回给定测试数据和标签的平均精确度。在多标签分类中，这是子集精度，这是一个苛刻的度量标准，因为您需要为每个样本准确地预测每个标签集。

输入

X

array-like, shape = (n_samples,  n_features)。测试样本

y 

array-like, shape = (n_samples)  or (n_samples, n_outputs)。真的X标签。

sample_weight

array-like, shape = [n_samples],  optional。测试权重

输出

score 

float。R²平均精度self.predict(X) wrt. y.