sklearn.linear_model.LogisticRegression 参数

 

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&