线性病态问题使用sklearn.linear_model.Ridge描述训练数据的最佳方法？

Question

问题陈述：我正在处理一个线性方程组，它对应于一个不适定的反问题。我可以在Python中手工应用Tikhonov正则化或岭回归，并获得足够精确的测试数据解决方案。我想尝试使用sklearn.linear_model.Ridge解决这个问题，因为我想在包（https://scikit-learn.org/stable/modules/linear_model.html）的线性模型部分尝试其他机器学习方法。我想知道在这种情况下使用sklearn是否使用了错误的工具

我所做的：我阅读了sklearn.linear_model.Ridge的文档。因为我知道正问题对应的线性变换，所以我在脉冲响应上运行它以创建训练数据，然后将其提供给sklearn.linear_model.Ridge以生成模型。与我自己在Python中应用岭回归方程不同，sklearn.linear_model.ridge中的模型只适用于脉冲响应。另一方面，我自己使用方程应用岭回归，生成一个模型，可以应用于脉冲响应的任何线性组合

有没有一种方法可以应用sklearn的线性方法，而不需要生成代表问题整个参数空间的大型测试数据集，或者这是使用（甚至是线性）机器学习算法的必要条件

当sklearn方法应用于跨越正向问题的测试用例时，sklearn.model.Ridge是否应返回与求解岭回归方程相同的结果

非常感谢任何能帮助我理解的人

Answer 1

通过反复试验找到了答案。回答我自己的问题，以防有人像我一样思考，需要澄清

1. 是的，如果您使用跨越问题空间的训练数据，这与使用方程式在python中运行岭回归相同。sklearn按照文档中的说明进行操作

2. 您需要使用fit_intercept=True来获得sklearn.linear_model.Ridge来拟合问题的Y截距，否则将假定为零

如果您使用默认值fit_intercept=False，并且您的问题的Y-截距不为零，那么您当然会得到一个糟糕的解决方案

这可能会让我这样的新手觉得您没有提供足够的培训数据，这是不正确的