В scikit learn я хотел бы проверить лучший гиперпараметр лямбда отдельно для каждой из нескольких целей, используя регрессию гребня. Возможно ли это только при запуске отдельных одномерных моделей или это также можно сделать с помощью многомерной модели?
Итак, это код, который я сейчас использую:
parameters = np.logspace(-10, 10, num=100)
estimator = Ridge(fit_intercept=False, normalize=False)
cv = KFold(n_splits=10)
clf = GridSearchCV(estimator, {'alpha': parameters}, scoring='r2', n_jobs=-1, cv=cv, return_train_score=True)
clf.fit(X, Y)
mean_score = clf.cv_results_['mean_test_score']
Это даст мне значение r2 для каждого значения лямбда для всех целей, тогда как я ищу r2 для каждого значения лямбда для каждой цели.
Большое спасибо за вашу помощь!