Flask源码解析

 solver = _check_solver(self.solver, self.penalty, self.dual)

        if not isinstance(self.C, numbers.Number) or self.C < 0:
            raise ValueError("Penalty term must be positive; got (C=%r)"
                             % self.C)
        if self.penalty == 'elasticnet':
            if (not isinstance(self.l1_ratio, numbers.Number) or
                    self.l1_ratio < 0 or self.l1_ratio > 1):
                raise ValueError("l1_ratio must be between 0 and 1;"
                                 " got (l1_ratio=%r)" % self.l1_ratio)
        elif self.l1_ratio is not None:
            warnings.warn("l1_ratio parameter is only used when penalty is "
                          "'elasticnet'. Got "
                          "(penalty={})".format(self.penalty))
        if self.penalty == 'none':
            if self.C != 1.0:  # default values
                warnings.warn(
                    "Setting penalty='none' will ignore the C and l1_ratio "
                    "parameters"
                )
                # Note that check for l1_ratio is done right above
            C_ = np.inf
            penalty = 'l2'
        else:
            C_ = self.C
            penalty = self.penalty
        if not isinstance(self.max_iter, numbers.Number) or self.max_iter < 0:
            raise ValueError("Maximum number of iteration must be positive;"
                             " got (max_iter=%r)" % self.max_iter)
        if not isinstance(self.tol, numbers.Number) or self.tol < 0:
            raise ValueError("Tolerance for stopping criteria must be "
                             "positive; got (tol=%r)" % self.tol)

        if solver == 'lbfgs':
            _dtype = np.float64
        else:
            _dtype = [np.float64, np.float32]

        X, y = self._validate_data(X, y, accept_sparse='csr', dtype=_dtype,
                                   order="C",
                                   accept_large_sparse=solver != 'liblinear')
        check_classification_targets(y)
        self.classes_ = np.unique(y)

        multi_class = _check_multi_class(self.multi_class, solver,
                                         len(self.classes_))
 

1. _check_solver 函数：该函数用于检查和确定所选择的求解器（solver）。求解器是用于解决优化问题的算法，根据参数的不同可以选择不同的求解器。

2. 参数合法性检查：代码中使用了一系列条件判断来验证参数的合法性。例如，检查惩罚项（penalty）是否有效、C 值是否为正数、l1_ratio 是否在 0 到 1 之间等。

3. 警告提示：当参数设置不符合预期时，通过 warnings.warn 方法输出警告信息，提醒用户当前参数可能被忽略或仅在特定情况下生效。

4. 数据验证和处理：通过调用 _validate_data 方法对输入数据进行验证和处理，确保数据类型正确、接受稀疏矩阵（sparse matrix）、对数据排序，同时根据求解器的不同决定是否接受大规模稀疏矩阵。

5. 目标类别处理：通过调用 check_classification_targets 方法对目标变量 y 进行验证，确保它是一个有效的分类目标。

6. 设置多类别问题参数：通过调用 _check_multi_class 方法对多类别问题中的参数进行验证和设置。