我认为这是由于速度。循环坐标下降不会在有限时间内找到精确解，但它更快，不仅对于的网格而且对于单个也是如此。$\lambda$$\lambda$

考虑求解单个的岭回归的任务，数据矩阵的大小为。我相信精确岭回归的最佳运行时间是如果和如果。请参阅 Murphy，机器学习，第 7.5.2 节以获取参考。$\lambda$$n \times p$$O(n^2p)$$n < p$$O(np^2)$$n > p$

使用循环坐标下降算法，“通过所有个变量的完整循环需要操作”（第 6 页，Friedman 等人，2010 年，https://www.jstatsoft.org/article/view/v033i01）。然后可以用指定循环数来为单个获得更快的 big-Oh 运行时间。为了解决许多，该方法应该使用热启动产生进一步的改进。$p$$O(pN)$$c$$c \ll min(n, p)$$\lambda$$\lambda$glmnet

存在其他用于 ridge 的求解器，glmnet 求解器的要点正是出于易处理性和速度的原因使用 CCD。他们对所有elasticnet 解决方案使用相同的代码。Elasticnet 通过将或设置为来包含 ridge 和 LASSO 。$\lambda_1$$\lambda_2$$0$