更多内容请参阅用户指南。*
- 参数名：alphas
- 类型： numpy array of shape [n_alphas]
- 说明：值的数组。正则化的力度，必须是正浮点数。正则化提升了问题的条件，减少了估计器的方差。较大的值指定了更强的正则化。在其他模型，比如LogisticRegression 或者LinearSVC，对应。
- 参数名：fit_intercept
- 类型：boolean
- 说明：是否计算该模型的截距。如果设置为False，将不会在计算中使用截距（比如，预处理数据已经中心化）
- 参数名：normalize
- 类型：boolean, optional, default False
- 说明：当fit_intercept设置为False时，该参数将会被忽略。如果为True，则回归前，回归变量X将会进行归一化，减去均值，然后除以L2范数。如果想要标准化，请在评估器（normalize参数为False）调用fit方法前调用sklean.preprocessing.StandardScaler，
- 参数名：scoring
- 类型：string, callable or None, optional, default: None
- 说明：一个字符串(见模型评估文档)或一个评估分数的可调用的对象/函数，对象/函数带有注册的评估器(estimator, X, y)
- 参数名：cv
- 类型：int, cross-validation generator or an iterable, optional
- 说明：确定交叉验证分裂策略。对cv的可能输入如下:
| ֵ | 说明 |
|---|---|
| None | 使用有效的留一交叉验证。 |
| integer | 指定折叠数。 |
| - | 用于交叉验证生成器的对象。 |
| - | 一种可重复的生成序列。 |
对于整数/无输入，如果y是二进制或多类，使用sklearn.model_selection.StratifiedKFold，否则使用sklearn.model_selection.KFold
参考用户指南来的得到这里使用的各种交叉验证策略
- 参数名：gcv_mode
- 类型： {None, ‘auto’, ‘svd’, eigen’}, optional
- 说明：说明在执行通用交叉验证时使用的策略的标志。选项有:
| 标识 | 说明 |
|---|---|
| auto | 如果n_samples为> n_feature，或者当X为稀疏矩阵时，使用svd，否则使用eigen。 |
| svd | 用X奇异值分解的力计算(不适用于稀疏矩阵) |
| eigen | 力的计算通过eigen分解 |
“auto”模式是默认的，它的目的是根据训练数据的形状和格式选择两个更廉价的选项。
- 参数名：store_cv_values
- 类型：boolean, default=False
- 说明：标记是否与每个alpha对应的交叉验证值应该存储在cv_values_属性中(见下面)。此标志仅与cv=None兼容(即使用通用交叉验证)。
- 参数名：cv_values_
- 类型：array, shape = [n_samples, n_alphas] or shape = [n_samples, n_targets, n_alphas], optional
- 说明：每个alpha的交叉验证值(如果store_cv_values=True和cv=None)。在fit()被调用之后，这个属性将包含均方差(默认值)或{loss,score}_func函数(如果在构造函数中提供)。
- 参数名：coef_
- 类型： array, shape = [n_features] or [n_targets, n_features]
- 说明：权重向量
- 参数名：intercept_
- 类型：float | array, shape = (n_targets,)
- 说明：决策函数中的独立项，即截距，如果fit_intercept=False,则设置为0
- 参数名：alpha_
- 类型： float
- 说明：正则化参数估计。
文章来源: sklearn 中的RidgeCV函数