Python 3.x 为什么ridge&；需要随机_状态；套索回归分类器？

类sklearn.linear\u model.Lasso（α=1.0，拟合截距=True，标准化=False，预计算=False，复制=True，最大iter=1000，tol=0.0001，热启动=False，正态=False，随机状态=None，选择=cyclic'）

类sklearn.linear\u model.Ridge（alpha=1.0，fit\u intercept=True，normalize=False，copy\u X=True，max\u iter=None，tol=0.001，solver='auto'，random\u state=None）

在这种情况下，可以使用RNG（取决于其他选定的选项）随机选择要执行更新的功能：

选择要更新的随机特征的伪随机数生成器的种子。如果int，则random_state是随机数生成器使用的种子；如果为RandomState实例，则random_state为随机数生成器；如果没有，则随机数生成器是np.random使用的RandomState实例。当选择==“随机”时使用

在这种情况下，RNG可用于（取决于其他选择的选项）洗牌数据：

在洗牌数据时使用的伪随机数生成器的种子。如果int，则random_state是随机数生成器使用的种子；如果为RandomState实例，则random_state为随机数生成器；如果没有，则随机数生成器是np.random使用的RandomState实例。当解算器==“sag”时使用

---

这两种方法都涉及在模型的特定阶段生成随机数

对于套索，这是由于拟合了每个变量的回归系数。这可以通过“循环”方式完成，或者在每次迭代中随机选择变量。第一个属性为

selection='cyclic'

，后一个属性为

selection='random

。后者涉及随机数。作为缔约国：

如果设置为“随机”，则随机系数将在每次迭代中更新，而不是默认情况下按顺序在特征上循环。这（设置为“随机”）通常会导致更快的收敛速度，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法拟合模型，则需要使用岭回归，随机梯度下降法使用子采样。为此，您需要在模型初始化期间声明

solver='sag'

或

solver='saga'

。at

random_状态

显示：

在洗牌数据时使用的伪随机数生成器的种子。如果int，则random_state是随机数生成器使用的种子；如果为RandomState实例，则random_state为随机数生成器；如果没有，则随机数生成器是np.random使用的RandomState实例。当解算器==“sag”时使用

请格式化您的代码