Scikit Learn - 逻辑回归

惩罚 − str，'L1'、'L2'、'elasticnet' 或 none，可选，默认值 = 'L2'

此参数用于指定惩罚（正则化）中使用的范数（L1 或 L2）。

双重 −布尔值，可选，默认值 = False

它用于对偶或原始公式，而对偶公式仅适用于 L2 惩罚。

tol − 浮点型，可选，默认值 = 1e-4

它表示停止标准的容差。

C −浮点型，可选，默认值 = 1.0

它表示正则化强度的倒数，必须始终为正浮点数。

fit_intercept − 布尔值，可选，默认值 = True

此参数指定应向决策函数添加一个常数（偏差或截距）。

intercept_scaling −浮点型，可选，默认值 = 1

此参数在以下情况下有用：

• 使用求解器 'liblinear'

• fit_intercept 设置为 true

class_weight − dict 或 'balanced' 可选，默认值 = none

它表示与类别相关的权重。如果我们使用默认选项，则表示所有类别的权重都应该为 1。另一方面，如果您选择 class_weight: balanced，它将使用 y 的值自动调整权重。

random_state − int，RandomState 实例或 None，可选，默认值 = none

此参数表示生成的伪随机数的种子，用于对数据进行混洗。以下是选项

• int − 在本例中，random_state 是随机数生成器使用的种子。

• RandomState 实例 − 在本例中，random_state 是随机数生成器。

• None −在本例中，随机数生成器是 np.random 使用的 RandonState 实例。

solver − str, {'newton-cg', 'lbfgs', 'liblinear', 'saag', 'saga'}, 可选，默认值 = 'liblinear'

此参数表示在优化问题中使用哪种算法。以下是此参数 − 下的选项属性。

• liblinear − 对于小型数据集来说，它是一个不错的选择。它还可以处理 L1 惩罚。对于多类别问题，它仅限于一对多策略。

• newton-cg − 它仅处理 L2 惩罚项。

• lbfgs − 对于多类别问题，它处理多项式损失。它也仅处理 L2 惩罚项。

• saga − 对于大型数据集，它是一个不错的选择。对于多类别问题，它还可以处理多项式损失。除了 L1 惩罚项外，它还支持"elasticnet"惩罚项。

• sag − 它也用于大型数据集。对于多类别问题，它还可以处理多项式损失。

max_iter − int，可选，默认值 = 100

顾名思义，它表示求解器收敛所需的最大迭代次数。

multi_class − str，{'ovr', 'multinomial', 'auto'}，可选，默认值 = 'ovr'

• ovr − 对于此选项，每个标签都拟合一个二元问题。

• multimonial − 对于此选项，最小化的损失是整个概率分布上的多项式损失拟合。如果solver = 'liblinear'，则无法使用此选项。

• auto − 如果solver = 'liblinear'或数据为二进制，则此选项将选择'ovr'，否则将选择'multinomial'。

verbose − int，可选，默认值 = 0

默认情况下，此参数的值为0，但对于liblinear和lbfgs求解器，我们应该将verbose设置为任意正数。

warm_start − bool，可选，默认值 = false

将此参数设置为 True，我们可以重用上一次调用 fit 的解作为初始化。如果选择默认值，即 false，则会清除上一次的解。

n_jobs − int 或 None，可选，默认值 = None

如果 multi_class = 'ovr'，此参数表示在类上并行化时使用的 CPU 核心数。当solver = 'liblinear' 时，此参数会被忽略。

l1_ratio −浮点数或 None，可选，dgtefault = None

当 penalty = 'elasticnet' 时使用。它本质上是 Elastic-Net 混合参数，其中 0 < = l1_ratio > = 1。

coef_ −数组，形状为 (n_features,) 或 (n_classes, n_features)

用于估计决策函数中特征的系数。当给定问题是二分类问题时，其形状为 (1, n_features)。

Intercept_ − 数组，形状为 (1) 或 (n_classes)

表示添加到决策函数中的常数，也称为偏差。

classes_ −数组，形状为 (n_classes)

它将提供分类器已知的类别标签列表。

n_iter_ − 数组，形状为 (n_classes) 或 (1)

它返回所有类别的实际迭代次数。