sklearn 逻辑回归LogisticRegression参数详解

 

【原文网址】：http://70b86a48.wiz03.com/share/s/1MK6F81-vQ1i2DFlsT0ux-iU2qccii0xCkjZ2Si7Lw1pfOQ3

api	参数	意义	备注
LogisticRegression的parameters	penalty	惩罚项，用于指定惩罚项使用的范式类型，支持L1范式和L2范式	str, 'l1' or 'l2', default: 'l2'
	dual	对偶形式还是原始形式。双重公式应用于使用libliner solver的L2惩罚项。当n_samples>n_features时，倾向于dual=False。	bool, default: False
	tol	停止条件的容忍度。	float, default: 1e-4
	C	正规化强度的倒数; 必须是正浮点数。 与支持向量机一样，较小的C值表示使用更强的正则化。	float, default: 1.0
	fit_intercept	指定是否应将一个常量（a.k.a. bias或intercept）添加到目标函数中。	bool, default: True
	intercept_scaling	仅在使用“liblinear solver”且self.fit_intercept为True时才起作用。在这种情况下，x变为[x，self.intercept_scaling]，即具有等于intercept_scaling的常数值的“合成”特征被附加到实例向量中。 截距变为intercept_scaling * synthetic_feature_weight。 注意！ 合成特征权重与所有其他特征一样经受L1和L2正则化。 为了减小正则化对合成特征权重（并因此对截距）的影响，必须增加intercept_scaling。	float, default 1.
	class_weight	{class_label：weight}形式的类别对应的权重。 如果没有给出，所有类别权重为1。 “balanced”模式自动调整权重，公式是n_samples /（n_classes * np.bincount（y））。 请注意，如果指定了sample_weight，这些权重将与sample_weight（通过fit方法传递）相乘。 版本0.17中的新功能：class_weight ='balanced'	dict or ‘balanced’, default: None
	max_iter	仅适用于newton-cg，sag和lbfgs solver。 solver收敛的最大迭代次数。	int, default: 100
	random_state	在随机数据混洗时使用的伪随机数生成器的种子。 如果是int，则random_state是随机数生成器使用的种子; 如果是RandomState实例，则random_state是随机数生成器; 如果为None，则随机数生成器是np.random使用的RandomState实例。 在solver=='sag'或'liblinear'时使用。	int, RandomState instance or None, optional, default: None
	solver	对于小型数据集，'liblinear'是一个不错的选择，而'sag'和 'saga'对于大型的更快。 对于多类问题，只有'newton-cg'，'sag'，'saga'和'lbfgs' 处理多项损失; 'liblinear'仅限于一对剩余方案。 'newton-cg'，'lbfgs'和'sag'只处理L2惩罚，而'liblinear'和'saga'可处理L1惩罚。 请注意，“sag”和“saga”快速收敛仅在具有大致相同比例的features上得到保证。 您可以使用sklearn.preprocessing中的缩放器预处理数据。	{‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}, default: ‘liblinear’ Algorithm to use in the optimization problem.
	multi_class	多类选项可以是'ovr'或'multinomial'。 如果选择的选项是'ovr'，那么把每个标签看做二分类问题来训练。 否则，最小化损失是根据整个概率分布中训练的多项式损失。 不适用于liblinear solver。	str, {‘ovr’, ‘multinomial’}, default: ‘ovr’
	verbose	对于liblinear和lbfgs solver，将verbose设置为任何正数表示输出步骤的详细程度。	int, default: 0
	warm_start	设置为True时，重用上一次训练结果来初始化，否则，清楚上一次的训练结果。 对于liblinear solver该参数不起作用。 版本0.17中的新功能：warm_start支持lbfgs，newton-cg，sag，saga solver。	bool, default: False
	n_jobs	如果multi_class ='ovr'“，则在对类进行并行化时使用的CPU核心数。 无论是否指定'multi_class'，当``solver``设置为'liblinear'时，都会忽略此参数。 如果给定值-1，则使用所有核心。	int, default: 1