Python 在本例中，为什么alphas=RidgeCV中的alphas？

我需要实现套索和岭回归，并通过交叉验证计算超参数。 我找到了执行此操作的代码，但我不能完全理解它

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？如果我写入alphas=None，则会发生错误。为什么没有必要为ridgecv编写cv？

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

s，因为参数调整不是基于交叉验证计算的错误来完成的

然而，在LassoCV中，他们有一种根据CV误差自动计算α的方法。但是，如果要显式设置它们，可以通过更改可选参数来实现：

n_alpha

和

alphas

参考：

---

第7章第4节了解更多细节。

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

s，因为参数调整不是基于交叉验证计算的错误来完成的

然而，在LassoCV中，他们有一种根据CV误差自动计算α的方法。但是，如果要显式设置它们，可以通过更改可选参数来实现：

n_alpha

和

alphas

参考：

---

第7章第4节了解更多详情。

Hey@xxx，欢迎来到StackOverflow！你在这里问的三个问题似乎是独立的，而且是关于不同的模型，你应该分开问。干杯嘿@xxx，欢迎来到StackOverflow！你在这里问的三个问题似乎是独立的，而且是关于不同的模型，你应该分开问。干杯