class sklearn.linear_model.LogisticRegression(penalty='l2',dual=False,tol=0.0001,C=
1.0,fit_intercept=True,intercept_scaling=1,class_weight=None,random_state=N
one,solver='liblinear',max_iter=100,multi_class='ovr',verbose=0,warm_start=False,n_jobs=1)
penalty:正则化参数，可选l1或l2，分别对应l1正则化和l2正则化，默认为l2正则化。一般来说l2正则化可以处理大部分的过拟合问题，如果模型的泛化能力仍然较差或者模型的特征较多，需要过滤掉一些不重要的特征时，可考虑用l1正则化。penalty参数的选择还会影响损失函数优化算法即参数solver的选择，当使用l2正则化时，优化算法 {‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’}都可以使用。当penalty是L1正则化的话，就只能选择‘liblinear’了。这是因为L1正则化的损失函数不是连续可导的，而{‘newton-cg’, ‘lbfgs’,‘sag’}这三种优化算法时都需要损失函数的一阶或者二阶连续导数，‘liblinear’则不需要。
监督算法在拟合过程中为了尽可能的兼顾每个数据，可能会导致模型泛化能力（模型应用到新样本的能力）较差，最直观的表现就是模型参数过于复杂，将这种情况成为模型的过拟合，一般发生在变量过多的时候。过拟合问题，一般有两种处理思路：
- 减少变量个数
保留更为重要的特征，舍弃一些不重要的特征，PCA是比较主流处理方式。- 正则化
在模型的误差函数中加上惩罚项
，使得新的误差函数：
当时称之为l1正则化；
时称之为l2正则化，其实质就是当变量过多时，其范数会较大，此时通过调整
使得惩罚项进一步变大，而为了保持误差函数
最小，只能减小变量的参数
的值，也就是所谓的对参数进行‘惩罚’，当
dual:用来指明是否将原问题改成他的对偶问题，对偶问题可以理解成相反问题，比如原问题是求解最大值的线性规划，那么他的对偶问题就是转化为求解最小值的线性规划，适用于样本较小的数据集，因样本小时，计算复杂度较低。
tol:残差收敛条件，默认是0.0001，也就是只需要收敛的时候两步只差＜0.0001就停止，可以设置更大或更小。(逻辑回归模型的损失函数是残差平方和)
C:正则化系数，正则化强度的导数，必须是一个正数，值越小，正则化强度越大，即防止过拟合的程度更大。
fit_intercept:是否将截距/方差加入到决策模型中，默认为True。
class_weight:class_weight是很重要的一个参数，是用来调节正负样本比例的，默认是值为None，也就是正负样本的权重是一样的，你可以以dict的形式给模型传入任意你认为合适的权重比，也可以直接指定一个值“balanced”，模型会根据正负样本的绝对数量比来设定模型最后结果的权重比。比如，有一数据集的正负样本绝对数量比为4:6,如果你给参数class_weight赋予balanced值，那么最后模型结果中，正负样本的权重比就会变成6:4。
random_state:随机种子的设置，默认是None,如果设置了随机种子，那么每次使用的训练集和测试集都是一样的，这样不管你运行多少次，最后的准确率都是一样的；如果没有设置，那么每次都是不同的训练集和测试集，最后得出的准确率也是不一样的。
solver:用来指明损失函数的优化方法，默认是‘liblinear’方法，sklearn自带了如下几种：
| 参数 | 说明 |
|---|---|
| liblinear | 使用了坐标轴下降法来迭代优化损失函数 |
| lbfgs | 拟牛顿法的一种，利用损失函数二阶导数矩阵（海森矩阵）来迭代优化损失函数 |
| newton-cg | 牛顿法的一种，利用损失函数二阶导数矩阵（海森矩阵）来迭代优化损失函数 |
| sag | 随机平均下降梯度，是梯度下降法的变种一种线性收敛算法，和一般的梯度下降算法的区别是每次迭代只使用部分样本计算梯度，使用于样本数据较多的时候 |
max_iter:算法收敛的最大迭代次数，即求取损失函数最小值的迭代次数，默认是100，
multi_class:分类方法参数选择，‘ovr’和‘multinomial’两个值可以选择，默认值为‘ovr’，如果分类问题是二分类问题，那么这两个参数的效果是一样的，主要体现在多分类问题上。对于多分类问题，"ovr"分类方法是：针对每一类别进行判断时，都会把这个分类问题简化为是/非两类问题；而‘multinomial’是从众多类别中选出两个类别，对这两个类别进行判断，待判断完成后，再从剩下的类别中再选出两类进行判断，直至最后判断完成。
verbose:英文意思是”冗余“，就是会输出一些模型运算过程中的东西（任务进程），默认是False，也就是不需要输出一些不重要的计算过程。
warm_start:是否使用上次的模型结果作为初始化，默认是False，表示不使用。
n_jobs:并行运算数量(核的数量)，默认为1，如果设置为-1，则表示将电脑的cpu全部用上。
模型对象
coef_:返回各特征的系数,绝对值大小可以理解成特征重要性
intercept_:返回模型的截距
n_iter_:模型迭代次数
模型方法
decision_function(X):返回决策函数值（比如svm中的决策距离）
predict_proba(X):返回每个类别的概率值（有几类就返回几列值）
predict_log_proba(X):返回概率值的log值（即将概率取对数）
predict(X)：返回预测结果值（0/1）
score(X, y=None):返回函数
get_params(deep=True):返回估计器的参数
set_params(**params):为估计器设置参数
网友评论