GridSearchCV中岭回归的解释

Question

为什么在我的交叉验证岭回归模型中，即使我尝试了一长串从0.01到25的字母表，错误也没有显著变化？在

代码

from sklearn.linear_model import Ridge
from sklearn.model_selection import GridSearchCV

params={'alpha': [25,10,4,2,1.0,0.8,0.5,0.3,0.2,0.1,0.05,0.02,0.01]}
rdg_reg = Ridge()
clf = GridSearchCV(rdg_reg,params,cv=2,verbose = 1, scoring = 'neg_mean_squared_error')
clf.fit(x_dummied_poly,y)

clf.best_params_
#{'alpha': 4}

pd.DataFrame(clf.cv_results_)

Answer 1

您要么必须向我们提供数据，这样我们就可以执行我们自己的一组特征选择和维度缩减（我怀疑任何人都会为您做这项工作，因为这是一个非常繁琐和耗时的过程，这就像您在培训中进行的一些机器学习项目，您需要付费来完成）

或者

在机器学习领域，我们假设“没有免费午餐”。这句话的意思是：有一个“最好的”模型可以给你你想要的。在

这可以从另一个角度扩展到参数调整。没有硬性的规则“alpha”是最好的参数；改变alpha值必须反映出均方误差的显著变化。在

或者

尝试在交叉验证的StackExchange中问这个问题。在