我试图了解脊分类器和logisticRecongress在sklearn.linear_model中的区别。我在文件里找不到。
我想我很理解logisticRegregation的作用，它计算系数和截距以最小化half of sum of squares of the coefficients + C times the binary cross-entropy loss，其中c是正则化参数。我从头检查了一个天真的实现，结果是一致的。
脊分类器的结果不同，我不知道，如何计算系数和截距？看看github代码，我没有足够的经验来解开它。
我之所以问这个问题，是因为我喜欢脊分类器的结果——它对我的问题概括得更好一些。但在我使用它之前，我至少想知道它是从哪里来的。
谢谢你的帮助。
最佳答案
RidgeClassifier()的工作方式不同于LogisticRegression()的l2惩罚。RidgeClassifier()的损失函数不是交叉熵。RidgeClassifier()按以下方式使用Ridge()回归模型创建分类器：
为了简单起见，让我们考虑二进制分类。
根据所属的类生成值为+1或-1的目标变量。
建立一个回归模型来预测我们的目标变量。损失函数Ridge()
如果RMSE + l2 penality回归的预测值（根据Ridge()函数计算）大于0，则预测为正类否则为负类。
对于多类分类：
使用decision_function()创建多输出回归场景，然后训练独立的LabelBinarizer()回归模型，每个类一个（一个vs rest建模）。
从每个类的Ridge()回归模型（每个类的实数）中获取预测，然后使用Ridge()预测该类。