如何重现 Ridge(normalize=True) 的行为？

这段代码：

from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import Ridge

X = 'some_data'
y = 'some_target'

penalty = 1.5e-5
A = Ridge(normalize=True, alpha=penalty).fit(X, y)

触发以下警告：

FutureWarning: 'normalize' was deprecated in version 1.0 and will be removed in 1.2.
If you wish to scale the data, use Pipeline with a StandardScaler in a preprocessing stage. To reproduce the previous behavior:

from sklearn.pipeline import make_pipeline

 - model = make_pipeline(StandardScaler(with_mean=False), Ridge())

If you wish to pass a sample_weight parameter, you need to pass it as a fit parameter to each step of the pipeline as follows:
kwargs = {s[0] + '__sample_weight': sample_weight for s in model.steps}
model.fit(X, y, **kwargs)

Set parameter alpha to: original_alpha * n_samples. 
  warnings.warn(
Ridge(alpha=1.5e-05)

但是这些代码给了我完全不同的系数，正如预期的那样，因为归一化和标准化是不同的。

B = make_pipeline(StandardScaler(with_mean=False), Ridge(alpha=penalty))
B[1].fit(B[0].fit_transform(X), y)

Output:

A.coefs[0], B[1].coefs[0]
(124.87330648168594, 125511.75051106009)

如果我设置结果仍然不匹配alpha = penalty * n_features.

Output:

A.coefs[0], B[1].coefs[0]
(124.87330648168594, 114686.09835548172)

虽然Ridge()使用的标准化与我预期的有点不同：

回归量 X 将通过减去均值并除以进行归一化 l2范数

那么使用岭回归和归一化的正确方法是什么？
考虑到l2-norm似乎是在预测、数据修改和再次拟合之后获得的
在使用 sklearn 的岭回归时，我没有想到什么，特别是在 1.2 版本之后

prepare data https://drive.google.com/file/d/1bu64NqQkG0YR8G2CQPkxR1EQUAJ8kCZ6/view用于实验：

url = 'https://drive.google.com/file/d/1bu64NqQkG0YR8G2CQPkxR1EQUAJ8kCZ6/view?usp=sharing'
url = 'https://drive.google.com/uc?id=' + url.split('/')[-2]
data = pd.read_csv(url, index_col=0)

X = data.iloc[:,:15]
y = data['target']

不同之处在于报告的系数normalize=True将直接应用于未缩放的输入，而管道方法将其系数应用于模型的输入，即缩放后的特征。

您可以通过乘以/除以特征的标准差来“标准化”（不幸的是该词的重载）系数。加上未来警告中建议的惩罚更改，我得到了相同的输出：

np.allclose(A.coef_, B[1].coef_ / B[0].scale_)
# True

（我已经测试过使用sklearn.datasets.load_diabetes.)