为何sklearn.linear_model.QuantileRegressor拟合速度远慢于R的分位数回归实现

核心原因如下： #

• 底层算法定向优化差异
  R的quantreg包中rq函数的所有求解器（包括你用到的br和lasso选项）都是针对分位数回归的损失特性专门优化的Fortran实现，用到了分位数回归特有的排序剪枝、损失路径快速计算等技巧，运行效率极高。而Scikit-learn的QuantileRegressor是将分位数回归问题转化为通用线性规划问题求解，哪怕选用性能最优的highs求解器，也是通用型解法，没有针对分位数回归场景做定向裁剪，泛用性设计带来了额外的计算开销。
• 无正则场景的适配开销
  你设置了alpha=0.0关闭正则，Scikit-learn的QuantileRegressor在无正则场景下，底层为了保证数值稳定性会增加额外的处理步骤，而R的quantreg包本身就原生支持无正则分位数回归的最优求解逻辑，不需要额外的适配开销。
• 输入处理的冗余成本
  Scikit-learn的所有预估器在fit前都会执行通用的输入校验流程：包括检查输入数据类型、缺失值、维度匹配、格式转换等步骤，这些通用校验逻辑对分位数回归这个特定场景很多是冗余的。而R的rq函数的输入校验更轻量化，仅做和分位数回归计算相关的必要检查，耗时更低。

内容的提问来源于stack exchange，提问作者Sapir Tubul