Lasso regression 图Lassoalgorithm Sklearn.convariance.Graph_lasso（）

我正在复制一篇题为“通过稀疏对冲限制改进均值-方差优化”的论文。作者的想法是使用图形Lasso算法在样本协方差矩阵的逆估计过程中注入一些偏差。图形lasso算法在R中工作得非常好，但当我使用python处理具有相同参数的相同数据时，会出现两种错误：

如果我使用坐标下降（cd）模式作为解算器，我会得到一个浮点错误，表示：

FloatingPointError:Non-SPD result:系统对此解算器来说条件太差。对于这个解算器来说，系统的条件太差了（困扰我的是，我在模拟正定矩阵上尝试了这个解算器，结果它让我犯了这个错误）

如果我使用最小角度回归（LAR）模式（不太稳定，但建议用于病态矩阵），我会得到一个溢出错误，说明

overflowerrror:int太大，无法转换为float

据我所知，与C++和其他语言不同，Python不受整数的上限（除了机器本身的容量）限制。然而，浮动受到限制。我认为这可能是后面问题的根源。（我过去也听说R在处理病态矩阵方面更稳健）。我很高兴听到您在R或python中体验graph lasso。 在这封电子邮件中，我附加了一段python代码，用几行代码模拟了这个问题。任何意见都将非常感谢。 谢谢大家,

斯坎德

来自sklearn.convariance导入图\u lasso
从sklearn.dataset导入make_spd_矩阵
对称矩阵（100）
glout=graph\u lasso（emp\u cov=symetric\u PD\u mx，alpha=0.01，mode=“lars”）