Sklearn中的Logistic Regression参数解析
发布时间
阅读量：
阅读量
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,用于防止模型过拟合的参数项通常采用...形式表示，并且其原理在于在损失函数之后附加一个正则项。其中L1范式指的是各参数绝对值之和，并通过这种方式引入约束；而L2范式则是各参数平方值之和的平方根形式，并以此来实现对模型复杂度的控制。
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。
C: 正则化强度的reciprocal。预设值为1.0。
当C值减小时：
全部评论 (0)
还没有任何评论哟~