为什么在此示例中RidgeCV中的alphas = alphas？

Question

我需要实现Lasso和Ridge回归并通过交叉验证来计算超参数。 我找到了执行此操作的代码，但是我不太明白。

lassocv = LassoCV(alphas=None, cv=15, max_iter=100000, normalize=True)
lassocv.fit(X_train, y_train)
lasso = Lasso(alpha=lassocv.alpha_, normalize=True)
lasso.fit(X_train, y_train)
rmse = np.sqrt(mean_squared_error(y_val, lasso.predict(X_val)))

ridgecv = RidgeCV(alphas=alphas, normalize=True)
ridgecv.fit(X_train, y_train)
ridge = Ridge(alpha=ridgecv.alpha_, normalize=True)
ridge.fit(X_train, y_train)
rmse = np.sqrt(mean_squared_error(y_val, ridge.predict(X_val)))

那么，为什么alphas = RidgeCV中的alphas？如果我写的alphas = None，则会发生错误。为什么没有必要为ridgecv编写简历？

Answer 1

我认为答案与在不同模型上设置正则化强度的方式有关。

在RidgeCV中，您需要显式声明alpha，因为没有根据交叉验证计算出的错误来进行参数调整。

但是，在LassoCV中，他们有一种方法可以根据CV错误自动计算alpha。但是，如果要显式设置它们，可以通过更改可选参数：n_alpha和alphas

来进行设置。

参考：https://web.stanford.edu/~hastie/Papers/ESLII.pdf 有关更多详细信息，请参见第7章第4节。