語法
sklearn。linear_model。Ridge（alpha=1。0， fit_intercept=True， normalize=False， copy_X=True， max_iter=None， tol=0。001， solver=‘auto’， random_state=None）
Parameters
alpha
釋義： 正則化項係數，較大的值指定更強的正則化 linear_model。Ridge 設定：Alpha對應於其他線性模型（如Logistic迴歸或LinearSVC）中的C^-1。 如果傳遞陣列，則假定懲罰被特定於目標。 因此，它們必須在數量上對應。
fit_intercept
釋義：是否計算該模型的截距
設定：bool型，可選，預設True；如果使用中心化的資料，可以考慮設定為False，不考慮截距
normalize
釋義：是否對資料進行標準化處理，若不計算截距，則忽略此引數
設定：bool型，可選，預設False，建議將標準化的工作放在訓練模型之前，透過設定sklearn。preprocessing。StandardScaler來實現，而在此處設定為false；當fit_intercept設定為false的時候，這個引數會被自動忽略。如果為True，迴歸器會標準化輸入引數：減去平均值，並且除以相應的二範數
copy_X
釋義：是否對X複製
設定：bool型、可選、預設True；如為false，則即經過中心化，標準化後，把新資料覆蓋到原資料X上
max_iter
釋義：共軛梯度求解器的最大迭代次數，需要與solver求解器配合使用
設定：solver為sparse_cg和lsqr時，預設由scipy。sparse。linalg確定，solver為sag時，預設值為1000
tol
釋義：計算精度
設定：float型，預設=1e-3
solver
釋義：求解器{auto，svd，cholesky，lsqr，sparse_cg，sag，saga}
設定：
aotu：根據資料型別自動選擇求解器
svd：使用X的奇異值分解計算嶺係數，奇異矩陣比cholesky更穩定
cholesky：使用標準的scipy。linalg。solve函式獲得收斂的係數
sparse_cg：使用scipy。sparse。linalg。cg中的共軛梯度求解器。比cholesky更適合大規模資料（設定tol和max_iter的可能性）
lsqr：專用的正則化最小二乘方法scipy。sparse。linalg。lsqr
sag：隨機平均梯度下降；僅在fit_intercept為True時支援密集資料
saga：sag改進，無偏版。採用SAGA梯度下降法可以使模型快速收斂
random_state
釋義：隨機數生成器的種子，僅在solver=“sag”時使用
設定：int型， 預設None
Attributes
coef_
返回模型的估計係數（權重向量）
intercept_
線性模型的獨立項，一維情形下的截距
n_iter_
實際迭代次數
Methods
fit(self, X, y[, sample_weight])
輸入訓練樣本資料X，和對應的標記y
get_params(self[, deep])
返回函式linear_model。Ridge（）內部的引數值
predict(self, X)
利用學習好的線性分類器，預測標記
score(self, X, y[, sample_weight])
返回模型的擬合優度判定係數
set_params(self, **params)
設定函式linear_model。Ridge（）內部的引數
