为何Scikit-learn的LassoCV无类似RidgeCV的alpha_per_target参数？

• 概念上完全合理：不同目标维度和输入特征的关联程度、噪声水平往往存在差异，针对每个维度单独选择最优正则化强度alpha是符合逻辑的，不管是Ridge还是Lasso回归，这个思路都成立。
• 这是暂未实现的功能：scikit-learn的功能是逐步迭代更新的，RidgeCV的alpha_per_target参数是后续版本新增的特性，而LassoCV目前还没有跟进实现这个功能，并非因为概念上不可行。
• 临时替代方案：你可以手动遍历每个目标维度，对每个维度单独使用LassoCV拟合，就能为每个目标维度得到对应的最优alpha值。示例代码如下：

from sklearn.linear_model import LassoCV
import numpy as np

# 示例数据：X为(100,10)输入，y为(100,3)目标
X = np.random.rand(100, 10)
y = np.random.rand(100, 3)

alphas_per_target = []
for dim_idx in range(y.shape[1]):
    lasso_cv = LassoCV(cv=5)
    lasso_cv.fit(X, y[:, dim_idx])
    alphas_per_target.append(lasso_cv.alpha_)

print("各目标维度的最优alpha值:", alphas_per_target)

内容的提问来源于stack exchange，提问作者Minkyu Choi