弹性网络应该被视为岭回归（L2正则化）和套索回归（L1正则化）之间的混合体。然而，即使l1_ratio设置为0，我得到的结果与岭回归不同。我知道岭回归使用梯度下降法，而弹性网络使用坐标下降法，但最优解应该是相同的，对吗？此外，我发现弹性网络经常无故抛出ConvergenceWarnings，而套索回归和岭回归则不会。以下是一个代码片段：
from sklearn.datasets import load_bostonfrom sklearn.utils import shufflefrom sklearn.linear_model import ElasticNet, Ridge, Lassofrom sklearn.model_selection import train_test_splitdata = load_boston()X, y = shuffle(data.data, data.target, random_state=42)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=43)alpha = 1en = ElasticNet(alpha=alpha, l1_ratio=0)en.fit(X_train, y_train)print('en train score: ', en.score(X_train, y_train))rr = Ridge(alpha=alpha)rr.fit(X_train, y_train)print('rr train score: ', rr.score(X_train, y_train))lr = Lasso(alpha=alpha)lr.fit(X_train, y_train)print('lr train score: ', lr.score(X_train, y_train))print('---')print('en test score: ', en.score(X_test, y_test))print('rr test score: ', rr.score(X_test, y_test))print('lr test score: ', lr.score(X_test, y_test))print('---')print('en coef: ', en.coef_)print('rr coef: ', rr.coef_)print('lr coef: ', lr.coef_)尽管l1_ratio设置为0，弹性网络的训练和测试得分却接近于套索回归的得分（而不是你期望的岭回归）。此外，即使我增加max_iter（即使增加到1000000也没有效果）和tol（0.1仍然会抛出错误，但0.2不会），弹性网络似乎仍然会抛出ConvergenceWarning。增加alpha（如警告所建议的）也没有效果。
回答：
请阅读文档。然后你会发现这些方法都没有使用梯度下降法，更重要的是：
当代入a=1, p=0时，显示了以下信息：
- 弹性网络在损失函数上比岭回归多了一个依赖于样本的因子
- 弹性网络在l2项中多了一个
1/2的因子
为什么模型不同？可能是因为sklearn遵循了基于R的原始实现glmnet。
此外，当我强制使用非混合范数如l1=0时，在进行混合范数优化时出现数值问题，我不会感到惊讶，特别是当有专门的求解器用于这两种非混合优化问题时。
幸运的是，sklearn甚至对此有所说明：
目前，l1_ratio <= 0.01 的可靠性不高，除非你提供自己的alpha序列。
