因此，弹性网应该是岭回归（L2正则化）和套索（L1正则化）之间的混合体。但是，即使l1_ratio为0，我似乎也无法获得与ridge相同的结果。我知道使用梯度下降的山脊和使用弹性下降的弹性网，但是最优值应该相同，不是吗？而且，我发现弹性网通常没有明显的原因抛出ConvergenceWarnings，而套索和山脊则没有。这是一个片段：
from sklearn.datasets import load_boston
from sklearn.utils import shuffle
from sklearn.linear_model import ElasticNet, Ridge, Lasso
from sklearn.model_selection import train_test_split
data = load_boston()
X, y = shuffle(data.data, data.target, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=43)
alpha = 1
en = ElasticNet(alpha=alpha, l1_ratio=0)
en.fit(X_train, y_train)
print('en train score: ', en.score(X_train, y_train))
rr = Ridge(alpha=alpha)
rr.fit(X_train, y_train)
print('rr train score: ', rr.score(X_train, y_train))
lr = Lasso(alpha=alpha)
lr.fit(X_train, y_train)
print('lr train score: ', lr.score(X_train, y_train))
print('---')
print('en test score: ', en.score(X_test, y_test))
print('rr test score: ', rr.score(X_test, y_test))
print('lr test score: ', lr.score(X_test, y_test))
print('---')
print('en coef: ', en.coef_)
print('rr coef: ', rr.coef_)
print('lr coef: ', lr.coef_)
即使l1_ratio为0，弹性网的训练和测试得分也接近套索得分（而不是您期望的岭）。而且，弹性网似乎会引发ConvergenceWarning，即使我增加max_iter（甚至达到1000000似乎也没有效果）和tol（0.1仍会引发错误，而0.2则不会）。增加alpha（如警告所示）也无效。
最佳答案
只需阅读文档即可。然后，您会发现这些都没有使用梯度下降，而更重要的是：
Ridge
Elastic Net
当替换a=1, p=0时，表明：
除了在Ridge中找不到的损失外，ElasticNet还有一个与样本有关的因素
ElasticNet在l2项中还有一个1/2因子
为什么要选择不同的型号？可能是因为sklearn遵循规范的/原始的R-based implementation glmnet。
此外，当我强制执行非混合范数（例如l1 = 0）时，尤其是当存在针对两个非混合优化问题的专用求解器时，我在执行混合范数优化时不会看到数值问题。
幸运的是，sklearn甚至has to say something about it：
当前，除非您提供自己的alpha序列，否则l1_ratio
关于machine-learning - scikit学习:弹性网接近山脊，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/47365978/