我正在尝试使用scikit-learn中包含的广义线性模型拟合方法拟合向量自回归（VAR）模型 . 线性模型的形式为y = X w，但系统矩阵 X 具有非常奇特的结构：它是块对角线，并且所有块都是相同的 . 为了优化性能和内存消耗，模型可以表示为 Y = BW ，其中 B 是来自 X 的块， Y 和 W 现在是矩阵而不是向量 . LinearRegression，Ridge，RidgeCV，Lasso和ElasticNet类很容易接受后一种模型结构 . 但是，由于Y是二维的，因此适合LassoCV或ElasticNetCV失败 .
我发现https://github.com/scikit-learn/scikit-learn/issues/2402从这个讨论中我假设LassoCV / ElasticNetCV的行为是有意的 . 除了手动实现交叉验证之外，有没有办法优化alpha / rho参数？
此外，scikit-learn中的贝叶斯回归技术也期望y是一维的 . 有没有办法解决？
注意：我使用scikit-learn 0.14（稳定）
2 回答
使用这种回归公式获得的性能和内存优化有多重要？鉴于你的重新制定打破了scikit-learn，我不会把它称为优化...我建议：
运行未优化的版本并等待（如果可能） .
Git拉下面的code，据说可以解决你的问题 . 它是在您从scikit-learn github项目发布的对话中引用的 . 有关构建scikit的说明，请参阅here - 从git pull中学习 . 然后，您可以将分支scikit-learn位置添加到python路径，并使用修改后的库代码执行回归 . 务必发布您的经历和遇到的任何问题;我相信scikit开发人员会很感激 .
为了预测矩阵而不是向量，Lasso和ElasticNet就是他们的MultiTask *对应物：
http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.MultiTaskLasso.html http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.MultiTaskElasticNet.html