scikit-learn QuantileRegressor 中 L1 归一化的 alpha 参数是什么

Question

scikit-learn 分位数回归文档中的示例显示了参数 alpha

 设置为零的示例。默认值为 1。

QuantileRegressor

 的 

文档显示默认值设置为 1.0。它指出这是一个乘以 L1 惩罚项的正则化常数。

我对 Lasso 是什么，或者 L1 回归的确切含义没有直观的理解。

对于参数 alpha 与这些事物的关系有直观的解释吗？

有一篇与分位数回归相关的

维基百科文章非常详细。浏览一下这个，看起来 alpha 是 lambda，在正则化参数的选择部分。在其他地方也可能被称为 t。

我的直觉可能是错误的。

到目前为止我的结论是，alpha 可能只对多维度（> 1）回归问题有影响，并且它可能用于选择维度的子集，即具有最强统计预测能力的最重要维度？

Answer 1

分位数回归中的参数 alpha，类似于线性回归中的 Lasso，控制着 L1 正则化的强度，这会增加模型复杂度的惩罚，就像这个

site。正则化通过减少不太重要的特征的影响来帮助避免过度拟合。在高维问题中，阿尔法可以缩小不太重要的维度，从而产生具有更少、更具预测性的特征的更可解释的模型。所以，你对它影响多个维度的直觉是正确的。