LogisticRegressionCV 参数使用以及含义 笔记

第一次接触LogisticRegressionCV ，记录一下。

 Logistic回归是分类算法，不能应用于回归中(传入模型的y值,不能是float类型，必须是int类型)
 

正则化选择参数 ：penalty   

                              ——>  L1 / L2    默认是L2的正则化,一般使用L2就可以了，但是如果还是过拟合，就可以用                                                                         L1，如果特征较多希望略去不重要特征，就有L1。

参数优化方式    ：solver     

                             ——> 当penalty为l1的时候，参数只能是：liblinear(坐标轴下降法)，lbfgs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) 、而liblinear通吃L1正则化和L2正则化     

                 维度<10000时，lbfgs法比较好，   维度>10000时， cg法比较好，显卡计算的时候，lbfgs和cg都比seg快

                    1.  liblinear：使用了坐标轴下降法来迭代优化损失函数。

　　　　      2.  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。

　　　　      3. newton-cg：也是牛顿法家族的一种，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。

　　　　      4.  sag：即随机平均梯度下降，是梯度下降法的变种，和普通梯度下降法的区别是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，SAG是一种线性收敛算法，这个速度远比SGD快。关于SAG的理解.

 

 分类方式参数    :multi_class  

                       ——>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

                        1. 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

                         2.multinomial:  many-vs-many（MVM）,即Softmax分类效果   

类型权重参数   :class_weight    

                       ——>权重一样可以不输入、可以选择balanced让类库自己计算类型权重、或自己输入                                                                              <class_weight={0:0.9, 1:0.1}，这样类型0的权重为90%，而类型1的权重为10%>,

                        1.选择balanced，那么类库会根据训练样本量来计算权重。某种类型样本量越多，则权重越低，样本量越少，则                                权重越高。

                        2.

样本权重参数： sample_weight

                        由于样本不平衡，导致样本不是总体样本的无偏估计，调用fit函数时，通过sample_weight来自己调节每个样本权                          重

                       如果上面两种方法都用到了，那么样本的真正权重是class_weight*sample_weight.

交叉验证参数 :  cv

                      ——>  默认None，使用三折交叉验证。指定fold数量，默认为3，也可以是yield训练/测试数据的生成器。

 并行数   : n_jobs

                       ——> int：个数,-1：跟CPU核数一致, 1:默认值。

迭代终止判据的误差范围  ：tol