scikit-learn是否支持权重分解为U、V形式的类岭回归优化？

scikit-learn 官方没有提供直接支持这类权重分解场景的现成回归器。你描述的模型属于带低秩约束的岭回归，核心是通过拆分原始权重W = U @ V给权重施加低秩限制，同时对U、V分别做L2正则，这类矩阵分解类的回归模型不在sklearn内置的通用回归器实现范围内。

你可以参考以下几种方案实现需求：

• 自定义sklearn估计器：继承sklearn.base.BaseEstimator和sklearn.base.RegressorMixin，自己实现拟合逻辑，用交替最小二乘法（ALS）或者小批量梯度下降交替优化U和V即可，自定义后的估计器可以完美兼容sklearn的管道、交叉验证等工具链，实现成本很低。
• 近似替代方案：如果你的权重拆分核心目的是降维减参，可以先用sklearn.decomposition.PCA对输入特征做降维，再接入普通的sklearn.linear_model.Ridge回归，效果和低秩约束岭回归近似，不需要额外写代码。
• 自定义损失实现：如果需要更灵活的参数调整，可以改用PyTorch、TensorFlow等框架直接定义目标函数训练，灵活度最高。

内容的提问来源于stack exchange，提问作者Yuki.F