为什么增加 Lasso alpha 值只会增加均方根误差？
Why increasing Lasso alpha values the root mean squared error only increase?
您好，我正在使用 2*10^-5 到 500 范围内的不同值拟合 Lasso 模型作为 alpha 参数，例如：
alphas=np.linspace(0.00002,500,20)
当我绘制交叉验证的负均方根误差和绝对误差时，我得到了这样的图表：
所以误差以模数增加然后保持不变而不是减少...为什么我得到这个结果？
选择非常小的 alpha 值，例如：
alphas=np.linspace(0.00001,0.00007,20)
我得到了 RMSE 的结果：
您知道为什么它似乎只适用于如此小的 alpha 值吗？谢谢
套索回归旨在增加偏差并减少方差。通过增加惩罚项，您将远离具有最低偏差的预测变量（增加 RMSE）。由于潜在的过度拟合，具有最低 RMSE 的估计器并不总是最好的。搜索 bias-variance tradeoff
您好，我正在使用 2*10^-5 到 500 范围内的不同值拟合 Lasso 模型作为 alpha 参数，例如：
alphas=np.linspace(0.00002,500,20)
当我绘制交叉验证的负均方根误差和绝对误差时，我得到了这样的图表：
所以误差以模数增加然后保持不变而不是减少...为什么我得到这个结果？
选择非常小的 alpha 值，例如：
alphas=np.linspace(0.00001,0.00007,20)
我得到了 RMSE 的结果：
您知道为什么它似乎只适用于如此小的 alpha 值吗？谢谢
套索回归旨在增加偏差并减少方差。通过增加惩罚项，您将远离具有最低偏差的预测变量（增加 RMSE）。由于潜在的过度拟合，具有最低 RMSE 的估计器并不总是最好的。搜索 bias-variance tradeoff