Numpy 为什么内置岭回归不能以任何合理的方式预测数据的真实值？

我正在做家庭作业，目的是将自我实现的岭回归与ADMM与sklearn包的内置函数进行比较。尽管我自己的实现可能会很麻烦，但我仍然坚持解释内置函数输出

我正在Windows上使用Python的3.7版本。我的目标是预测模型Y=X*Beta+Epsilon中Y的值， 其中，Y是100个变量的向量，X是具有集合协方差矩阵的多元正态分布样本100x2000维数的矩阵，β是具有2000个位置中5、10或100个集合值的向量 在这一点上，我尝试了sklearn.linear_model.Ridge的可通过参数的任何合理组合，以及一些用于验证的“更容易”的数据，但没有效果。任何帮助都将受到感谢

函数生成问题数据： def生成任务（n，p，cov_rho，b_val，b_k，op=0）： “图塔吉·杰米·麦克耶兹·罗兹克拉杜·诺扎丹尼奇·帕拉梅特拉奇” 平均值=np.零（p） “Wersja IID” 如果op==0： cov=np.眼（p） “Wersja:malejące correlacje” 如果op==1： cov=np.from函数（λi，j:cov_ρ**np.abs（i-j），（p，p））； “Wersja:过时的关联” 如果op==2： cov=np.眼（p）+cov_rho-np.眼（p）*（cov_rho-1） Chol=np.linalg.cholesky（cov） X=np.随机.正态（0,1，（n，p）） X=X.dot（Chol） X=归一化（X） B=（n，p+1） B=np.ones（B） B[：，1:]=X X=B “Czesc Odpowiedzilana za Beta” β=np.零（p+1） m=np.arange（p+1） np.random.shuffle（m） 贝塔[m[1:b_k]]=b_val β=β。重塑（-1,1） “Na koncu generujemy Y zaburzone oε~N（0,1）” ep=np.随机多变量正态分布（np.零（n），np.眼（n），1） #Y=X.dot（β） Y=X.dot（β）+ep.T 返回Y，X，Beta，ep.T Y、 X，Beta，ep=生成任务（p，n，0.6,2,10） X_系列，X_测试，Y_系列，Y_测试=系列测试分割（X，Y，测试尺寸=0.33） clr=RINGE（α=0.1，拟合截距=False，规格化=False，复制=True，最大值=None，tol=0.001，解算器=auto'） Y_tr=Y_train.ravel（） Y_te=Y_test.ravel（） clr.fit（X\U系列，Y\U tr） plt.绘图（Y_te，label='Original'） plt.plot（clr.predict（X_检验），标签=‘估计’） 其结果是： 与我自己的职能相比： 在我看来，这是不太可能的，尤其是当所说的内置函数为不同的任务返回几乎相同的结果时。 编辑：正如所呈现的示例使用IID矩阵一样，但相关案例的问题是相同的