2024-06-03 17:34:16 发布
网友
在sklearn的documentation中,它说
The optimization objective for Lasso is: (1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1
(1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1
我想知道如果y的形状是(n_targets, n_features),那么||w||_1的定义是什么,在这种情况下w的形状是(n_features, n_targets)
y
(n_targets, n_features)
||w||_1
w
(n_features, n_targets)
正如您可能从code或docs中看到的,在这种情况下w的范数变成了它的L_{2,1} norm。y - Xw的欧几里德范数成为相应矩阵的Frobenius范数
y - Xw
正如您可能从code或docs中看到的,在这种情况下
w
的范数变成了它的L_{2,1} norm。y - Xw
的欧几里德范数成为相应矩阵的Frobenius范数相关问题 更多 >
编程相关推荐