sklearn逻辑回归参数学习记录

首先收集前人的智慧：

https://blog.csdn.net/sun_shengyun/article/details/53811483
个人总结一下：
1、设置L1或L2正则化是用penalty参数；
2、solver设置是损失函数的优化方法有四种‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’，其中坐标轴下降法liblinear对应L1（因为要求不可导）,L2对应这四种，而随机梯度下降sag在数据量特别大的时候用；
3、multi_class参数设置‘ovr’一对多，还是‘multinomial’多对多；
4、class_weight设置的是各种类型的权重，‘banlanced’表示自动计算，而dict类型可以自己设定，或者不用；
5、sample_weight设置样本权重，用来解决样本不平衡问题。

https://blog.csdn.net/ustbclearwang/article/details/81235892
我认为还有一些其他的参数需要强调一下：
tol:公差停止条件（1e-4）
C:float 默认:1.0 正则化强度， 与支持向量机一样，较小的值指定更强的正则化。
fit_intercept: bool 默认:True 指定是否应将常量（a.k.a. bias或intercept）添加到决策函数中。
n_jobs：默认1
random_state:int,RandomState实例或None；随机种子；在求解器=='sag'或'liblinear'时使用。