我想在 sklearn 中实现 linear_model.Ridge() 的 LAD 版本。这意味着正则化仍然在 L2 范数上完成,但模型最小化了绝对偏差的总和,而不是误差的平方。这意味着我们正在最小化
这可能吗?
请您参考如下方法:
如果您使用 SGDRegressor在指定 epsilon_insensitive 损失函数并将 epsilon 值设置为零的 scikit learn 中,您将获得一个与 LAD 等价的模型,其中包含 L2 正则化。
我想在 sklearn 中实现 linear_model.Ridge() 的 LAD 版本。这意味着正则化仍然在 L2 范数上完成,但模型最小化了绝对偏差的总和,而不是误差的平方。这意味着我们正在最小化
这可能吗?
请您参考如下方法:
如果您使用 SGDRegressor在指定 epsilon_insensitive 损失函数并将 epsilon 值设置为零的 scikit learn 中,您将获得一个与 LAD 等价的模型,其中包含 L2 正则化。