为什么 sklearn 的 Lasso 系数不等于线性回归系数？

Question

我正在尝试在我的代码中实现 sklearn 的套索。为了测试它，我决定使用alpha = 0 进行测试。根据定义，这应该产生与LinearRegression 相同的结果，但事实并非如此。
代码如下：

import pandas as pd
from sklearn.linear_model import Lasso
from sklearn.linear_model import LinearRegression

# Don't worry about this. It is made so that we can work with the same dataset.
df = pd.read_csv('http://web.stanford.edu/~oleg2/hse/Credit.csv').dropna()
df['Asian'] = df.Ethnicity=='Asian'
df['Caucasian'] = df.Ethnicity=='Caucasian'
df['African American'] = df.Ethnicity=='African American'
df = df.drop(['Ethnicity'],axis=1).replace(['Yes','No','Male','Female',True,False],[1,0,1,0,1,0])
# End of unimportant part

ft = Lasso(alpha=0).fit(x, df.Balance)
print(ft.intercept_)
ft = LinearRegression().fit(x, df.Balance)
print(ft.intercept_)

输出：

-485.3744897927978
-480.89071679937786

coef_s 也各不相同。

我做错了什么？

Answer 1

确实，这似乎产生了不同的结果。但是，运行您的代码，也会产生以下警告：

ft = Lasso(alpha=0).fit(X, y)
print(ft.intercept_)
ft = LinearRegression().fit(X, y)
print(ft.intercept_)

-485.3744897927984
-480.89071679937854 

用户警告：当 alpha=0 时，此算法不能很好地收敛。建议您使用 LinearRegression 估计器

这让您知道，由于alpha=0，这意味着我们只剩下一个普通的线性回归，算法不会很好地收敛。这就是为什么您会看到截距有所不同，并且可能是指标恶化的原因。