超详细 Sklearn中逻辑回归的参数说明（Logistic Regression）

先看看有那些参数：

penalty='l2',
dual=False,
tol=0.0001,
C=1.0,
fit_intercept=True,
intercept_scaling=1,
class_weight=None,
random_state=None,
solver='lbfgs',
max_iter=100,
multi_class='auto',
verbose=0,
warm_start=False,
n_jobs=None,
l1_ratio=None,

1. penalty：‘l1’ or ‘l2’。用来防止过拟合的参数，原理是在损失函数后面加上一个正则项。‘l1’是加上一个L1范式，‘l2’是加上一个L2范式。L1 范式是每个参数的绝对值之和；L2范式是每个参数的平方和的开方值。

   L1正则化会将参数压缩为0，让参数变稀疏，让那些信息少的特征快速的被压缩到0，L1本质是一个特征选取的过程，防止过拟合，如果特征特别多就用L1。
   L2正则会只会让参数尽量小，不会取到0，如果目的是过拟合就用L2，默认也是l2。

2. C: 正则化强度的倒数。默认1.0 。C越小对损失函数的惩罚越重，正则化的效力越强，惩罚过拟合也越严厉，参数Theta也会被压缩的越来越小。

3. max_iter 最大迭代次数，逻辑回归虽然叫回归但是并不使用最小二乘法OLS。逻辑回归往往使用坐标法，梯度下降法以及牛顿法，都是需要迭代的方法。因此如果max_iter,会警告说以达到最大迭代次数，但是还是没有收敛的情况。

4. class_weight&