【逻辑回归(LogisticRegression)参数介绍】

逻辑回归(LogisticRegression)参数介绍

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=’warn’, max_iter=100, multi_class=’warn’, verbose=0, warm_start=False, n_jobs=None, l1_ratio=None)

• penalty：惩罚项，可为’l1’ or ‘l2’。当solver为’netton-cg’, ‘sag’, ‘lbfgs’只支持’l2’。

 - 'l1'正则化的损失函数不是连续可导的，而'netton-cg', 'sag', 'lbfgs'这三种算法需要损失函数的一阶或二阶连续可导。
 - 调参时如果主要是为了解决过拟合，选择'l2'正则化就够了。若选择'l2'正则化还是过拟合，可考虑'l1'正则化。
 - 若模型特征非常多，希望一些不重要的特征系数归零，从而让模型系数化的话，可使用'l1'正则化。

• dual：选择目标函数为原始形式还是对偶形式。

将原始函数等价转化为一个新函数，该新函数称为对偶函数。对偶函数比原始函数更易于优化。

• tol：优化算法停止的条件。当迭代前后的函数差值小于等于tol时就停止。
• C：正则化系数。其越小，正则化越强。
• fit_intercept：选择逻辑回归模型中是否会有常数项b。
• intercept_scaling:
• class_weight：用于标示分类模型中各种类型的权重，{class_label: weight} or ‘balanced’。

 - 'balanced'：类库根据训练样本量来计算权重。某种类型的样本量越多，则权重越低。
 - 若误分类代价很高，比如对合法用户和非法用户进行分类，可适当提高非法用户的权重。
 - 样本高度失衡的。如合法用户9995条，非法用户5条，可选择'balanced'，让类库自动提高非法用户样本的权重。

• random_state：随机数种子。
• solver：逻辑回归损失函数的优化方法。

 - 'liblinear'：使用坐标轴下降法来迭代优化损失函数。
 - 'lbfgs'：拟牛顿法的一种。利用损失函数二阶导数矩阵即海森矩阵来迭代优化损失函数。
 - 'newton-cg'：牛顿法的一种。同上。
 - 'sag'：随机平均梯度下降。每次迭代仅仅用一部分的样本来计算梯度，适合于样本数据多的时候。
 - 多元逻辑回归有OvR(one-vs-rest)和MvM(many-vs-many)两种，而MvM一般比OvR分类相对准确一些。但是，'liblinear'只支持OvR。

• max_iter：优化算法的迭代次数。
• multi_class：‘ovr’ or ‘multinomial’。'multinomial’即为MvM。

 - 若是二元逻辑回归，二者区别不大。
 - 对于MvM，若模型有T类，每次在所有的T类样本里面选择两类样本出来，把所有输出为该两类的样本放在一起，进行二元回归，得到模型参数，一共需要T(T-1)/2次分类。

• verbose：控制是否print训练过程。
• warm_start：
• n_jobs：用cpu的几个核来跑程序。

总结：
penalty: 过拟合解决参数,l1或者l2
solver: 参数优化方式：当penalty为l1的时候，参数只能是：liblinear(坐标轴下降法)；nlbfgs和cg都是关于目标函数的二阶泰勒展开， 当penalty为l2的时候，参数可以是：lbfgs(拟牛顿法)、newton-cg(牛顿法变种)，seg(minibatch)。
multi_class: 分类方式参数；参数可选: ovr(默认)、multinomial；这两种方式在二元分类问题中，效果是一样的；在多元分类问题中，效果不一样。其中， ovr: one-vs-rest， 对于多元分类的问题，先将其看做二元分类，分类完成后，再迭代对其中一类继续进行二元分类。 multinomial: many-vs-many（MVM）,对于多元分类问题，如果模型有T类，我们每次在所有的T类样本里面选择两类样本出来，不妨记为T1类和T2类，把所有的输出为T1和T2的样本放在一起，把T1作为正例，T2作为负例，进行二元逻辑回归，得到模型参数。我们一共需要T(T-1)/2次分类。