python机器学习使用逻辑回归LogisticRegression()提示FutureWarning: Default solver will be changed to 'lbfgs' in_model = logisticregression(solver='liblinear')-优快云博客

本文讲解如何在Python中使用sklearn库的LogisticRegression模型时，避免遇到的FutureWarning警告。通过指定solver参数，可以确保代码在未来版本中仍能正常工作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在Python中利用Logistic回归算法进行数据建模
使用python的sklearn.linear_model.LogisticRegression进行实例化时model=LogisticRegression()，就提示了以下警告信息：

FutureWarning: Default solver will be changed to ‘lbfgs’ in 0.22. Specify a solver to silence this warning。

问题分析：

FutureWarning是语言或者库中将来可能改变的有关警告。

根据报警信息和参考相关文档，“Default will change from ‘liblinear’ to ‘lbfgs’ in 0.22.”，默认的solver参数在0.22版本中，将会由“liblinear”变为“lbfgs”，且指定solver参数可以消除该warning。

这是代码在发出警告，将来代码运行时如果没有及时关注到版本的问题，可能solver的参数会发生改变。所以，最安全的方法并不是通过ignore消除警告，而是指定一个solver参数。

参阅官方文档：

solver : str, {‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}, \default: ‘liblinear’.

    Algorithm to use in the optimization problem.

    - For small datasets, 'liblinear' is a good choice, whereas 'sag' and

      'saga' are faster for large ones.

    - For multiclass problems, only 'newton-cg', 'sag', 'saga' and 'lbfgs'

      handle multinomial loss; 'liblinear' is limited to one-versus-rest

      schemes.

    - 'newton-cg', 'lbfgs' and 'sag' only handle L2 penalty, whereas

      'liblinear' and 'saga' handle L1 penalty.

LogisticRegerssion算法的solver仅支持以下几个参数’liblinear’, ‘newton-cg’, ‘lbfgs’, ‘sag’, ‘saga’。

解决方法：

传入参数后即可消除警告。
将model=LogisticRegression()改为：
model=LogisticRegression(solver=’liblinear’) 。

扩展

其他消除警告的方法：

import warnings

warnings.filterwarnings(“ignore”)
————————————————
版权声明：本文为优快云博主「linzhjbtx」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/linzhjbtx/article/details/85331200