【机器学习实战】逻辑回归----sklearn库中的LogisticRegression类

LogisticRegression类

逻辑回归的基本思想在前面已经写过，就不再赘述。主要是为了了解并使用scikit-learn中逻辑回归类库，在实践前先整理一下里面的参数、属性和方法。
我们使用

##加载线性模型
from sklearn import linear_model
model=linear_model.LogisticRegression()

来加载逻辑回归模型。

【参数(Parameters)】

首先我们来看看LogisticRegression()有哪些参数。

penalty参数:

str, ‘l1’ or ‘l2’, default: ‘l2’
即选择正则化参数，str类型，可选L1和L2正则化，默认是L2正则化。

dual参数:

bool, default: False
即选择对偶公式(dual)或原始公式(primal)，bool类型默认是原始公式，当样本数大于特征数时，更倾向于原始公式，即False。

tol参数:

float, default: 1e-4
对停止标准的容忍，即求解到多少的时候认为已经求得最优解，并停止。float类型，默认值为1e-4。

C参数:

float, default: 1.0
设置正则化强度的逆，值越小，正则化越强。float类型，默认值为1.0。

fit_intercept参数:

bool, default: True
即选择是否将偏差(也称截距)添加到决策函数中。bool类型，默认为True，添加。

intercept_scaling参数:

float, default 1
只在solver选择liblinear并且self.fit_intercept设置为True的时候才有用。float类型。在这种情况下x变为$[$x,self.intercept_scaling$]$

class_weight参数:

dict or ‘balanced’, default: None
即类型权重参数，用于标示分类模型中各种类型的权重。可以用字典模式输入也可选择‘balanced’模式，默认是None，即所有类型的权重都一样。
可以通过直接输入{class_label: weight}来对每个类别权重进行赋值，如{0:0.3,1:0.7}就是指类型0的权重为30%，而类型1的权重为70%。
也可以通过选择‘balanced’来自动计算类型权重，实际计算公式为：
n_samples / (n_classes * np.bincount(y))，当然这是不需要我们计算的啦。
$\color{red}{在出现误分类代价很高或类别不平衡的情况下，我们可以通过这个参数来}$
$\color{red}{调整权重。}$
1、误分类代价很高：比如说对合法用户和非法用户进行分类，将非法用