sklearn逻辑回归:参数详解

老饼讲解机器学习

已于 2024-06-08 09:14:32 修改

阅读量1.2w

点赞数 8

分类专栏： # 逻辑回归文章标签：机器学习逻辑回归 sklearn

于 2022-03-21 20:18:07 首次发布

本文链接：https://blog.csdn.net/ywj_1991/article/details/123644785

版权

逻辑回归专栏收录该内容

10 篇文章 4 订阅

订阅专栏

《老饼讲解机器学习》https://www.bbbdata.com/text/49

本文讲述sklearn逻辑回归参数详解

一.入参说明

完整入参：

clf = LogisticRegression(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)

(一)入参分类与使用

常用入参：
random_state：随机种子。需要每次训练都一样时，就需要设置该参数。
class_weight：各类别样本的权重。样本需要加权时，使用该参数。
fit_intercept：是否需要截距b。一般都需要。
max_iter：最大迭代次数。
tol：停止标准。如果求解不理想，可尝试设置更小的值。

正则化相关参数：
penalty：惩罚项，如果需要正则化，则用默认为L2，不需要则设为None。特殊的，要用L1正则：修改对应的solver。如果L1和L2都用，则改为elasticnet,修改solver和l1_ratio.
C:正则化强度的倒数
solver:求解器,设置正则化时，需要使用支持正则化的求解器。
l1_ratio：Elastic-Net中L1占比。使用Elastic-Net时才需设置。

其它冷参数：
multi_class：多分类模式。一般不需修改，用auto就行
verbose：输出训练过程。一般不打印，不需修改
warm_start：是否热启动。一般不需热启动。不需修改。
n_jobs：使用CPU个数。用默认1个CPU即可。
intercept_scaling：截距特征缩放。一般不需要改。用求解器“liblinear”且要正则化时需要调整。
dual：是否采用对偶方法。求解器liblinear的专用参数（且penalty=L2），一般不需要改。

(二)入参详细列表

参数名称	参数输入要求	变量说明	详细说明
penalty	l1,l2(默认),elasticnet,none	惩罚项	l1/l2即在损失函数中加l1/l2正则项。elasticnet即 l1,l2都加。none为不加。（注意：每个求解器支持的参数不同）
dual	True,False(默认)	是否采用对偶方法	求解器liblinear的专用参数（且penalty=L2）
tol	数值，默认le-4	停止标准	迭代中某些过程小于该数，则停止训练
C	正数，默认1	正则化强度的倒数	设得越小正则化越强
fit_intercept	True(默认),False	是否需要截距b	如果为False，则b强设为0，模型中wx+b变成wx
intercept_scaling	数值，默认1	截距特征缩放	求解器用“liblinear”才需要。liblinear会把b也添加到正则项，为避免b的取值受正则化影响过大，正则化取的是b/intercept_scaling，可预设intercept_scaling，调整b受正则化的影响。
class_weight	字典（多输出为字典列表），balanced，None（默认）	各类别样本的权重	None:样本权重全为1 字典:{0:1,1:2}代表0类的样本权重为1，1类的样本权重为2.（多输出时，格式为:[{0:1,1:2},{0:1,1:2}]） balanced:把总权重n_samples均分给各类，各类再均分给各个样本。例：有3个类别，10个样本，则每个类别平均权重为10/3,平均到某个类别的权重就为 (10/3)/类别样本数。公式：class_weight = n_samples / (n_classes * np.bincount(y))。
random_state	整数，随机数实例，None(默认)	训练过程中的随机种子。	如果设定为非None值，则每次训练都会是一样的结果。
solver	newton-cg，lbfgs（默认）， liblinear，sag，saga	求解器，即求解方法	求解器支持的惩罚项： newton-cg : ['l2', 'none'] lbfgs:['l2', 'none'] liblinear: ['l1', 'l2']（仅支持OVR分类） sag: ['l2', 'none'] saga: ['elasticnet', 'l1', 'l2', 'none']
max_iter	整数，默认100	最大迭代次数	-
multi_class	auto(默认),ovr,multinomial	多分类模式	ovr:one-versus-rest,一对剩余。有K类，则训练K个模型，每个模型把第i类当一类，其余当一类。最后选择预测概率最高的一类作为预测类别。 multinomial：多项模式。此时使用逻辑回归的推广模型softmax回归进行多分类。 auto:如果二分类或者求解器为liblinear时，则为OVR，否则为multinomial
verbose	整数，默认0	输出训练过程	数值越大，越详细。0则为不输出。
warm_start	True/False	是否热启动	为True则沿用之前的解。liblinear不支持。
n_jobs	整数，默认None	使用CPU个数	none一般代表1，-1代表使用所有处理器
l1_ratio	[0,1]的小数，默认None	Elastic-Net中L1占比	penalty设为Elastic-Net时专用参数，即Elastic-Net中l1的占比

二.模型训练

clf.fix(X,y) :训练模型

三.模型训练后的方法与属性

(一) 方法

clf.predict(X) ：预测X的类别
clf.predict_proba(X) ：预测X属于各类的概率
clf.predict_log_proba(X) ：相当于 np.log(clf.predict_proba())
clf.decision_function(X) :输出wx+b部分
clf.score(X,y) ：返回准确率，即模型预测值与y不同的个数占比(支持样本权重：clf.score(X,y,sample_weight=sample_weight))