为什么我的ElasicNetCV回归器会重新缩放输入？

Question

我有一个简单的管道，用于将一些数据输入几个不同的线性模型中进行比较。它只是标准缩放器，后跟回归器。当我对Lasso或Ridge回归进行此操作时，一切正常：

lassocv = Pipeline([('scaler', StandardScaler()), ('lasso', linear_model.LassoCV(n_jobs=-1, cv=5))])
lassocv.fit(X_train, y_train)

y_hat_lasso_train = lassocv.predict(X_train)

上面的代码使我很适合：

我也对RidgeCV进行了重复，得到了非常相似的结果。但是，如果我对ElasticNetCV做基本相同的事情，那我看起来很合适，但是输入（X_train）数据看起来很紧缩，因此我的RMS指标非常大：

eln = Pipeline([('scaler', StandardScaler()), ('eln', 
linear_model.ElasticNetCV(normalize=False, n_jobs=-1, cv=5))])

eln.fit(X_train, y_train)
y_hat_elastic_train = eln.predict(X_train)

如果我删除StandardScaler并保持normalize=False设置，问题就消失了，但我不明白为什么。根据{{​​3}}，

  

如果您希望标准化，请先使用sklearn.preprocessing.StandardScaler，然后使用normalize = False调用估计量的拟合。

那我的StandardScaler为什么不工作？使用SVR回归器时，我似乎也遇到了同样的问题，但是即使删除了StandardScaler，问题仍然存在。

我认为我对LASSO和Ri​​dge回归非常熟悉，但对Elastic Net和SVM则不太了解。所以可能只是我误解了算法的工作原理。