在Python中利用Logistic回归算法进行数据建模
使用python的sklearn.linear_model.LogisticRegression进行实例化时model=LogisticRegression(),就提示了以下警告信息:
FutureWarning: Default solver will be changed to ‘lbfgs’ in 0.22. Specify a solver to silence this warning。
问题分析:
FutureWarning是语言或者库中将来可能改变的有关警告。
根据报警信息和参考相关文档,“Default will change from ‘liblinear’ to ‘lbfgs’ in 0.22.”,默认的solver参数在0.22版本中,将会由“liblinear”变为“lbfgs”,且指定solver参数可以消除该warning。
这是代码在发出警告,将来代码运行时如果没有及时关注到版本的问题,可能solver的参数会发生改变。所以,最安全的方法并不是通过ignore消除警告,而是指定一个solver参数。
参阅官方文档:
solver : str, {‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}, \default: ‘liblinear’.
Algorithm to use in the optimization problem.
- For small datasets, 'liblinear' is a good choice, whereas 'sag' and
'saga' are faster for large ones.
- For multiclass problems, only 'newton-cg', 'sag', 'saga' and 'lbfgs'
handle multinomial loss; 'liblinear' is limited to one-versus-rest
schemes.
- 'newton-cg', 'lbfgs' and 'sag' only handle L2 penalty, whereas
'liblinear' and 'saga' handle L1 penalty.
LogisticRegerssion算法的solver仅支持以下几个参数’liblinear’, ‘newton-cg’, ‘lbfgs’, ‘sag’, ‘saga’。
解决方法:
传入参数后即可消除警告。
将model=LogisticRegression()改为:
model=LogisticRegression(solver=’liblinear’) 。
扩展
其他消除警告的方法:
import warnings
warnings.filterwarnings(“ignore”)
————————————————
版权声明:本文为CSDN博主「linzhjbtx」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/linzhjbtx/article/details/85331200