Python 当我们有多个目标时，sklearn中套索的目标函数是什么？

在sklearn's，它说

Lasso的优化目标是：

（1/（2*n|u样本））*|y-Xw | ^2|u 2+alpha*|w | u 1

---

我想知道如果

y

的形状是

（n_目标，n_特征）

，那么

|w|u 1

的定义是什么，在这种情况下

w

的形状将是

（n_特征，n_目标）

，或者在这种情况下，

w

的规范将成为它的标准。

y-Xw

的欧几里德范数成为相应矩阵的Frobenius范数。

此外，我想知道你是不是说

y

具有形状

（n个样本，n个目标）

和

w

具有形状

（n个目标，n个特征）

…谢谢你的解释。如果它变成L_{2,1}范数，它与岭回归有什么区别？欧几里德范数推广到矩阵会导致。因此，您将有：

ridge

-->

（1/（2*n|u样本））*|Y-XW|u^Fro|u 2+0.5*alpha*|W|u Fro^2

<代码>套索-->（1/（2*n|u样本））*| Y-XW | | ^ Fro|u 2+alpha*| W | u 21。