Scikit-Learn

sklearn.linear_model.Ridge
is the module used to solve a regression model 
where loss function is the linear least squares function and regularization is L2. 
Parameters 

---

Scikit-Learn
38 
Following table consists the parameters used by 
Ridge
 
module: 
Parameter 
Description 
alpha: 
{float, 
array-like}, 
shape(n_targets)
 
Alpha is the tuning parameter that decides how 
much we want to penalize the model.
fit_intercept: 
Boolean
 
This parameter specifies that a constant (bias or 
intercept) should be added to the decision 
function. No intercept will be used in calculation, if 
it will set to false.
tol: 
float, optional, default=1e-4
 
It represents the precision of the solution.
normalize: 
Boolean, optional, default = 
False
If this parameter is set to True, the regressor X will 
be 
normalized 
before 
regression. 
The 
normalization will be done by subtracting the mean 
and dividing it by L2 norm. If 
fit_intercept = 
False
, this parameter will be ignored. 
copy_X: 
Boolean, optional, default = True
 
By default, it is true which means X will be copied. 
But if it is set to false, X may be overwritten. 
max_iter: 
int,
 
optional
 
As name suggest, it represents the maximum 
number of iterations taken for conjugate gradient 
solvers. 
solver: 
str, {‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, 
‘sparse_cg’, ‘sag’, ‘saga’}’
 
This parameter represents which solver to use in 
the computational routines. Following are the 
properties of options under this parameter: 
