R中MLE的Fisher评分v / s坐标下降

R基函数glm()将Fisher评分用于MLE，而glmnet似乎使用坐标下降法来求解相同的方程。坐标下降比费舍尔计分法更省时，因为费舍尔计分法除了计算某些其他矩阵运算外，还计算二阶导数矩阵。这使得执行成本很高，而坐标下降可以在O（np）时间内完成相同的任务。

为什么R基函数使用Fisher评分？与其他优化方法相比，此方法是否有优势？协调血统和费舍尔评分如何比较？我在这个领域比较陌生，因此任何帮助或资源都会有所帮助。

唯一可以确定的方法是通过基准测试，但是对于glm而言，Fisher评分应比协调下降要快。Fisher评分是Newton Raphson的一个特例，它的收敛速度比坐标下降快（Newton-Raphson是二次收敛的，而坐标下降是线性收敛的。）因此，虽然二阶导数信息的计算意味着每一步都需要更多时间时间，所需的步骤比协调下降所需的步骤少得多。

对于套索而言，惩罚项的特殊形式使其成为一种非常特殊的情况（实际上绝对值是不可微分的，尽管有时您可以做到这一点）。对于这个特殊问题，坐标下降被证明是特别快的。在实践中还有许多其他优化问题，其中牛顿-拉夫森的速度更快。