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。 |