英文官方教程链接如下：
https://scikit-learn.org/stable/modules/kernel_ridge.htmlhttps://scikit-learn.org/stable/modules/kernel_ridge.html
这一部分讲的是 Kernel ridge regression，虽然不我不太明白这到底是什么意思，但是我们根据它的名字可以看出，它是和回归问题有关的。注意，点击官网上的图片，你就会跳转到相关的代码部分。
我这里就对它进行一个简单的描述，详细内容见官网或 API 。它学习由各自的核和数据诱导的空间中的线性函数。它学习的模型形式与支持向量机相同，只是用了不同的损失函数。相比之下，它在中等数据集上拟合得快。
| 参数 | 描述 |
| alpha | 浮点数或形如 (n_targets,) 的数组，default=1.0，正则强化，必须是正浮点数。正则化改进了问题的条件化，减少了估计值的方差。值越大，正则化越强。 |
| kernel | 字符串或者 callable ？，default="linear"，如果它是字符串，必为 pairwise.PAIRWISE_KERNEL_FUNCTIONS 或者 precomputed 的一个量度。如果是后者，X被假定为一个核矩阵。如果是 callable function ，对每个实例都调用它并记录结果。这个 callable 必须是 X 的两行作为输入，用一个单一的数字作为对应的核值返回。 |
| gamma | float，default=None。 |
| degree | float，default=3。polynomial kernel 的度。 |
| coef0 | float，default=1。polynomial kernel 和 sigmoid kernel 的零系数。 |
| kernel_params | 字符串到任意形式的映射，default=None。作为 callable 对象传入的核函数的额外参数。 |
| 类属性 | |
| .dual_coef_ | 形如 (n_samples,) 或 (n_samples,n_features) 的数组。在核空间的权重向量的表示。 |
| .X_fit_ | 形如 (n_samples,n_features) 的数组或稀疏矩阵。训练预测仍需要的数据。如果 kernel="precomputed"，那将是预计算训练矩阵，形如 (n_samples,n_samples) |
| .n_features_in_ | 略 |
| .feature_names_in_ | 略 |
说实话，这部分本人不理解，所以大家自己到官网去看代码实例吧。
