sklearn.linear_model.LogisticRegression参数

最新推荐文章于 2024-07-15 14:46:23 发布

勤奋的郑先生

最新推荐文章于 2024-07-15 14:46:23 发布

阅读量610

点赞数 1

文章标签： sklearn linear logisticregression

本文链接：https://blog.csdn.net/weixin_41370083/article/details/82151839

版权

本文详细解析sklearn.linear_model.LogisticRegression的参数，包括penalty、dual、C、fit_intercept等，解释了它们在逻辑回归模型中的作用和影响，帮助用户更好地理解和使用该模型。

摘要由CSDN通过智能技术生成

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=’liblinear’, max_iter=100, multi_class=’ovr’, verbose=0, warm_start=False, n_jobs=1)

参数：

penalty: 一个字符串，制定了正则化策略。

如果为'l2'，则优化目标函数为：为极大似然函数。
如果为'l1'，则优化目标函数为：为极大似然函数。

dual：一个布尔值。如果为True，则求解对偶形式（只是在penalty='l2' 且solver='liblinear' 有对偶形式）；如果为False，则求解原始形式。
C：一个浮点数，它指定了惩罚系数的倒数。如果它的值越小，则正则化越大。
fit_intercept：一个布尔值，制定是否需要b 值。如果为False，则不会计算b值（模型会假设你的数据已经中心化）。
intercept_scaling：一个浮点数，只有当 solver='liblinear' 才有意义。当采用 fit_intercept 时，相当于人造一个特征出来，该特征恒为 1，其权重为b.
在计算正则化项的时候，该人造特征也被考虑了