Sklearn库中Logistic Regression函数各个参数总结

 

Logistics Regression参数名称

含义

 

函数调用形式

LogisticRegression(penalty='l2',dual=False,tol=1e-4,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

字符串型,’l1’ or ‘l2’,默认:’l2’;正则化类型。

dual

布尔型,默认:False。当样本数>特征数时,令dual=False;用于liblinear解决器中L2正则化。

tol

浮点型,默认:1e-4;迭代终止判断的误差范围。

C

浮点型,默认:1.0;其值等于正则化强度的倒数,为正的浮点数。数值越小表示正则化越强。

fit_intercept

布尔型,默认:True;指定是否应该向决策函数添加常量(即偏差或截距)。

intercept_scaling

浮点型,默认为1;仅仅当solver是”liblinear”时有用。

class_weight

默认为None;与“{class_label: weight}”形式中的类相关联的权重。如果不给,则所有的类的权重都应该是1。

 

 

random_state

整型,默认None;当“solver”==“sag”或“liblinear”时使用。在变换数据时使用的伪随机数生成器的种子。如果是整数, random_state为随机数生成器使用的种子;若为RandomState实例,则random_state为随机数生成器;如果没有,随机数生成器就是' np.random '使用的RandomState实例。

 

 

 

solver

{'newton-cg', 'lbfgs', 'liblinear', 'sag', 'saga'},默认: 'liblinear';用于优化问题的算法。

对于小数据集来说,“liblinear”是个不错的选择,而“sag”和'saga'对于大型数据集会更快。

对于多类问题,只有'newton-cg', 'sag', 'saga'和'lbfgs'可以处理多项损失;“liblinear”仅限于“one-versus-rest”分类。

 

max_iter

最大迭代次数,整型,默认是100;

 

multi_class

字符串型,{ovr', 'multinomial'},默认:'ovr';如果选择的选项是“ovr”,那么一个二进制问题适合于每个标签,否则损失最小化就是整个概率分布的多项式损失。对liblinear solver无效。

verbose

整型,默认是0;对于liblinear和lbfgs solver,verbose可以设为任意正数。

 

warm_start

布尔型,默认为False;当设置为True时,重用前一个调用的解决方案以适合初始化。否则,只擦除前一个解决方案。对liblinear解码器无效。

 

n_jobs

整型,默认是1;如果multi_class='ovr' ,则为在类上并行时使用的CPU核数。无论是否指定了multi_class,当将' solver ' '设置为'liblinear'时,将忽略此参数。如果给定值为-1,则使用所有核。

©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页