sklearn学习笔记-逻辑回归LogisticRegression

sklearn.linear_model.LogisticRegression

LogisticRegression(penalty=’l2’, dual=False, tol=0.0001, 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)

参数   1  penalty   ：str 'l1'或者'l2' 字面意义“惩罚”，即正则化项，L1正则项或者L2正则下项，默认L2

          2  dual        ：boolean   默认为False

          3  tol           ：float  默认1e-4   个人理解为，代价误差达到该值则停止计算

          4  C             ：float  默认 1.0     C为代价项的系数，C越大表示整个代价函数中，代价项占比更多，即正则项影响较小；反之C越小，表示正则项影响更大

          5  fit_intercept

          6  intercept_scaling

          7  class_weight   :dict 或者 ‘balanced’，默认none

          8  solver             : {‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}求解目标函数的优化方法。小数据集-liblinear；大数据集-sag/saga求解速度更快；多分类问题-newton-cg/lbfgs/sag/saga；使用L2正则-newton/sag/lbfgs

           9  multi_class      : 'ovr'或者‘multinomial’

          10 n_jobs           ： 任务数，使用的CPU核数，-1为使用全部CPU核心数。solver='liblinear'时不起作用

属性     1 coef     系数

             2 intercept_

             3 n_iter_  迭代次数

方法     1 fit (X,y)  拟合，X为除去标签的特征；y为训练集的标签

           2 predict(test) 预测，对测试集进行预测

后续慢慢补充