为什么ridge和amp;需要random_state？套索回归分类器？

Question

class sklearn.linear_model.Lasso（alpha = 1.0，fit_intercept = True，normalize = False，precompute = False，copy_X = True，max_iter = 1000，tol = 0.0001，warm_start = False，positive = False， random_state =无，选择='循环'）

class 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 ）

Answer 1

这两种方法都涉及在模型的某些阶段生成随机数。

对于套索来说，这是由于每个变量的回归系数的拟合。这可以在“循环”中完成。方式，或在每次迭代时随机选择变量。第一个属性selection = 'cyclic'，后者属性selection = 'random。后者涉及随机数。正如documentation所述：

  

如果设置为“random”，则每次迭代都会更新随机系数，而不是默认情况下按顺序循环使用要素。这（设置为“随机”）通常会导致明显更快的收敛，尤其是当tol高于1e-4时。

对于岭回归，如果您希望使用随机梯度下降拟合模型，则需要使用子采样。为此，您需要在初始化模型solver = 'sag'或solver = 'saga'时说明。 random_state处的documentation读取：

  

在随机数据混洗时使用的伪随机数生成器的种子。如果是int，则random_state是随机数生成器使用的种子;如果是RandomState实例，则random_state是随机数生成器;如果为None，则随机数生成器是np.random使用的RandomState实例。求解器=='sag'时使用。

Answer 2

在lasso的情况下，可以使用RNG（取决于其他选择的选项）随机选择要执行更新的功能：

  

伪随机数生成器的种子，用于选择要更新的随机要素。如果是int，则random_state是随机数生成器使用的种子;如果是RandomState实例，则random_state是随机数生成器;如果为None，则随机数生成器是np.random使用的RandomState实例。选择=='随机'时使用。

在ridge的情况下，可以使用RNG（取决于其他选择的选项）来改组数据：

  

在随机数据混洗时使用的伪随机数生成器的种子。如果是int，则random_state是随机数生成器使用的种子;如果是RandomState实例，则random_state是随机数生成器;如果为None，则随机数生成器是np.random使用的RandomState实例。求解器=='sag'时使用。