|
Logistics Regression參數名稱 |
含義 |
|
函數調用形式 |
LogisticRegression(penalty='l2',dual=False,tol=1e-4,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) |
|
penalty |
字符串型，’l1’ or ‘l2’，默認：’l2’；正則化類型。 |
|
dual |
布爾型，默認：False。當樣本數>特徵數時，令dual=False；用於liblinear解決器中L2正則化。 |
|
tol |
浮點型，默認：1e-4；迭代終止判斷的誤差範圍。 |
|
C |
浮點型，默認：1.0；其值等於正則化強度的倒數，爲正的浮點數。數值越小表示正則化越強。 |
|
fit_intercept |
布爾型，默認：True；指定是否應該向決策函數添加常量(即偏差或截距)。 |
|
intercept_scaling |
浮點型，默認爲1；僅僅當solver是”liblinear”時有用。 |
|
class_weight |
默認爲None；與“{class_label: weight}”形式中的類相關聯的權重。如果不給，則所有的類的權重都應該是1。 |
|
random_state |
整型，默認None；當“solver”==“sag”或“liblinear”時使用。在變換數據時使用的僞隨機數生成器的種子。如果是整數, random_state爲隨機數生成器使用的種子;若爲RandomState實例，則random_state爲隨機數生成器;如果沒有，隨機數生成器就是' np.random '使用的RandomState實例。 |
|
solver |
{'newton-cg', 'lbfgs', 'liblinear', 'sag', 'saga'}，默認: 'liblinear'；用於優化問題的算法。 對於小數據集來說，“liblinear”是個不錯的選擇，而“sag”和'saga'對於大型數據集會更快。 對於多類問題，只有'newton-cg'， 'sag'， 'saga'和'lbfgs'可以處理多項損失;“liblinear”僅限於“one-versus-rest”分類。
|
|
max_iter |
最大迭代次數，整型，默認是100； |
|
multi_class |
字符串型，{ovr'， 'multinomial'}，默認:'ovr'；如果選擇的選項是“ovr”，那麼一個二進制問題適合於每個標籤，否則損失最小化就是整個概率分佈的多項式損失。對liblinear solver無效。 |
|
verbose |
整型，默認是0；對於liblinear和lbfgs solver，verbose可以設爲任意正數。 |
|
warm_start |
布爾型，默認爲False；當設置爲True時，重用前一個調用的解決方案以適合初始化。否則，只擦除前一個解決方案。對liblinear解碼器無效。 |
|
n_jobs |
整型，默認是1；如果multi_class='ovr' ，則爲在類上並行時使用的CPU核數。無論是否指定了multi_class，當將' solver ' '設置爲'liblinear'時，將忽略此參數。如果給定值爲-1，則使用所有核。 |