问题描述
我不确定我是否在正确的地方问这个问题，也许我应该和我一起进行堆栈交换。我正在使用机器学习回归模型。我最近优化了弹性网络模型，并且知道 L1_ratio FOR EN 在套索和脊之间进行权衡，0 导致模型运行“类脊模型”，L1_ratio = 1 等于导致类套索模型和任何东西之间导致两者的混合。所以我的问题是使用 XGBoost 时，reg lambda/reg alpha 惩罚是否相同？即增加 1 会减少另一个惩罚的权重。或者这两个是相互独立的。文档对于它是否需要权衡有点含糊，正如它所说：reg lambda 用于 L2，默认值 = 1，reg alpha 用于 l1，默认值为 0。所以在 XGBoost 中的情况也是如此，这两个是像 EN 中的 L1_ratio 一样相互权衡？我正在做一个随机搜索 w。我的 xgboot 的 CV 和我发现的使用 randomsearchCV 的示例表明它们不是“权衡”，因为我在示例中发现的值是这样的：
"reg_alpha": [0,0.5,1],"reg_lambda": [1,1.5,2,3,4.5],如果他们是权衡还是相互独立，有人可以为我解释一下吗？我目前正在随机搜索： "reg_alpha": [0,"reg_lambda": [0,
但如果我能运行一个，那将是一个巨大的帮助。我会补充一点，当我为我的弹性网络模型进行 gridsearch 时，我所有 3 个 y 变量的最佳模型是 alpha = 0.00001，并且 L1_ratio = 1 对这里人们的想法感兴趣，如果他们是或不是，我是否需要两者相互权衡？
谢谢！！！
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）