class sklearn.linear_model.
LogisticRegression
(penalty=’l2’, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver=’liblinear’, max_iter=100, multi_class=’ovr’, verbose=0, warm_start=False, n_jobs=1)
penalty :str ‘l1’或‘l2’,默认是‘l2’;penalty参数的选择会影响我们损失函数优化算法的选择。即参数solver的选择,如果是L2正则化,那么4种可选的算法{‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’}都可以选择。但是如果penalty是L1正则化的话,就只能选择‘liblinear’了。
{‘newton-cg’, ‘lbfgs’, ‘sag’} 对于高维数据收敛得更快,并且这些solver的multi_class选择multinomial会比选择默认的one-vs-rest表现的更好。 当样本集和特征集都很大的时候,‘sag’会更快。综合来说,‘sag’常常是最好的选择。
dual : bool,默认False;通常样本数量大于特征数量都选false。
tol : float,默认1e-4;判断迭代收敛的阈值。
C : float,默认1.0;正则化参数,必须是正数&