Python 如何在sklearn中禁用GLMs（泊松回归器）的正则化？

我在sklearn中使用泊松回归函数拟合模型。然而，代码似乎对我的模型施加了一种未要求的正则化，即使我已将正则化参数设置为0。任何关于如何阻止这种情况的想法都将不胜感激

我有一个时变预测器x，它由一个基集来描述，以生成预测矩阵x。我使用x来预测（稀疏）计数向量Y。我的代码如下所示：

from sklearn.linear_model import PoissonRegressor
PR = PoissonRegressor(alpha = 0.0)
PR.fit(X,Y)

但是，尽管

alpha=0

，也就是说，（应该）禁用了正则化，但最终的拟合似乎是平滑/正则化的

为了测试这一点，我复制并粘贴了sklearn的GeneralizedLinearRegressor函数中使用的最小化函数到我自己的代码中，并用alpha=0对其进行了测试。为了避免出现一大块代码，我将把它放在问题的底部。在回归器对象外部使用解算器会给出与

PR.fit（）

不同的答案，但与使用statsmodels获得的解决方案的答案几乎相同。这里说明了这种差异

重要的是，sklearn行比我的代码/statsmodels生成的版本平滑得多，这表明sklearn-poisson回归函数中仍然存在某种正则化

那么，我的问题是： 如何禁用此（不需要的）正则化

谢谢

我的代码：

from scipy.optimize import minimize
from sklearn._loss.glm_distribution import PoissonDistribution
from sklearn.utils.optimize import _check_optimize_result
from sklearn.linear_model._glm.link import LogLink

alpha = 0

def _safe_lin_pred(X, coef):
    """Compute the linear predictor taking care if intercept is present."""
    if coef.size == X.shape[1] + 1:
        return X @ coef[1:] + coef[0]
    else:
        return X @ coef

def _y_pred_deviance_derivative(coef, X, y, family,link):
    """Compute y_pred and the derivative of the deviance w.r.t coef."""
    lin_pred = _safe_lin_pred(X, coef)
    y_pred = link.inverse(lin_pred)
    d1 = link.inverse_derivative(lin_pred)
    temp = d1 * family.deviance_derivative(y, y_pred)
    if coef.size == X.shape[1] + 1:
        devp = np.concatenate(([temp.sum()], temp @ X))
    else:
        devp = temp @ X  # same as X.T @ temp
    return y_pred, devp

# Same as PoissonRegressor, but with regularization removed. 
def func(coef, X, y,alpha,family,link):
    y_pred, devp = _y_pred_deviance_derivative(
        coef, X, y,family,link
    )
    coef_scaled = alpha * coef
    dev = family.deviance(y, y_pred)
    obj = 0.5 * dev + 0.5 * (coef @ coef_scaled)
    objp = 0.5 * devp 
    objp += coef_scaled
    return obj, objp

args = (X, Y ,alpha,PoissonDistribution(),LogLink())

coef0 = np.ones(X.shape[1])

opt_res = minimize(
    func, coef0, method=method, jac=True,
    options={
        "maxiter": self.max_iter,
        "iprint": (self.verbose > 0) - 1,
        "gtol": self.tol,
        "ftol": 1e3*np.finfo(float).eps,
    },
    args=args)

---

答案很简单：泊松回归器的默认公差为1E-4。将此项（增加所需的配合精度）更改为1E-5可纠正此问题

---

为什么我的代码和sklearn之间存在差异？sklearn目标函数最小化1/（2*n_样本）*和（偏差）。由于我有大量的样本，这种重新缩放会改变泊松回归函数的有效容差。

这并不能真正回答为什么尽管设置了

alpha=0.0

，但我的解决方法是使用

GridSearchCV

，因为它允许将此参数设置为0