解读Python sklearn.linear_model.LogisticRegression的用法

指定惩罚的范数：

• 'none' : 不加罚分；
• 'l2' : 添加L2惩罚项，默认选择；
• 'l1' : 添加 L1 惩罚项；
• 'elasticnet' ：添加了 L1 和 L2 惩罚项。

双重或原始配方。对偶公式仅适用于使用 liblinear 求解器的 l2 惩罚。当 n_samples > n_features 时首选 dual=False。

停止标准的公差。

正则化强度的倒数；必须是正浮点数。与支持向量机一样，较小的值指定更强的正则化。

指定是否应将常数(也称为偏差或截距)添加到决策函数。

仅当使用求解器 ‘liblinear’ 并且 self.fit_intercept 设置为 True 时才有用。在这种情况下，x 变为 [x, self.intercept_scaling]，即，将常数值等于 intercept_scaling 的 “synthetic” 特征附加到实例向量。截距变为 intercept_scaling * synthetic_feature_weight 。

笔记！合成特征权重像所有其他特征一样受到 l1/l2 正则化。为了减少正则化对合成特征权重(因此对截距)的影响，必须增加intercept_scaling。

与 {class_label: weight} 形式的类关联的权重。如果没有给出，所有的类都应该有一个权重。

“balanced” 模式使用 y 的值自动调整与输入数据中的类频率成反比的权重，如 n_samples / (n_classes * np.bincount(y)) 。

请注意，如果指定了 sample_weight，这些权重将乘以 sample_weight(通过 fit 方法传递)。

用于solver == ‘sag’, ‘saga’ or ‘liblinear’ 对数据进行洗牌。有关详细信息，请参阅词汇表。

用于优化问题的算法。默认为‘lbfgs’。要选择求解器，您可能需要考虑以下方面：

求解器收敛的最大迭代次数。

如果选择的选项是‘ovr’，那么每个标签都适合一个二元问题。对于‘multinomial’，最小化的损失是整个概率分布的多项损失拟合，即使数据是二进制的。 ‘multinomial’ 在solver='liblinear' 时不可用。 ‘auto’ 如果数据是二进制的，或者如果solver='liblinear'，则选择‘ovr’，否则选择‘multinomial’。

对于 liblinear 和 lbfgs 求解器，将详细设置为任何正数以表示详细程度。

当设置为 True 时，重用之前调用的解决方案作为初始化，否则，只需擦除之前的解决方案。对 liblinear 求解器无用。请参阅词汇表。

如果multi_class='ovr'”，则在类上并行化时使用的 CPU 内核数。当solver 设置为‘liblinear’ 时忽略此参数，无论是否指定‘multi_class’。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关详细信息，请参阅词汇表。

Elastic-Net 混合参数，带有 0 <= l1_ratio <= 1 。仅在 penalty='elasticnet' 时使用。设置 l1_ratio=0 等效于使用 penalty='l2' ，而设置 l1_ratio=1 等效于使用 penalty='l1' 。对于 0 < l1_ratio <1 ，惩罚是 L1 和 L2 的组合。