逻辑回归(LogisticRegression)参数介绍

关注

原创最新推荐文章于 2026-04-11 21:30:24 发布 7.4k 阅读 AI 写同款· GEO 优化 ›

Logistic回归实战篇之预测病马死亡率（三）作者：崔家华编辑：李文臣四、使用Sklearn构建Logistic回归分类器开始新一轮的征程，让我们看下Sklearn的Logistic回归分类器！官方英文文档地址：http://scikit-learn.org/dev/modules/generated/sklearn.linear_model.LogisticRegression.html#sklearn. 阅读详情

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=None, solver=’warn’, max_iter=100, multi_class=’warn’, verbose=0, warm_start=False, n_jobs=None, l1_ratio=None)

penalty：惩罚项，可为'l1' or 'l2'。'netton-cg', 'sag', 'lbfgs'只支持'l2'。

'l1'正则化的损失函数不是连续可导的，而'netton-cg', 'sag', 'lbfgs'这三种算法需要损失函数的一阶或二阶连续可导。
调参时如果主要是为了解决过拟合，选择'l2'正则化就够了。若选择'l2'正则化还是过拟合，可考虑'l1'正则化。
若模型特征非常多，希望一些不重要的特征系数归零，从而让模型系数化的话，可使用'l1'正则化。

dual：选择目标函数为原始形式还是对偶形式。

将原始函数等价转化为一个新函数，该新函数称为对偶函数。对偶函数比原始函数更易于优化。

tol：优化算法停止的条件。当迭代前后的函数差值小于等于tol时就停止。

C：正则化系数。其越小，正则化越强。
fit_intercept：选择逻辑回归模型中是否会有常数项bb。
intercept_scaling：
class_weight：用于标示分类模型中各种类型的权重，{class_label: weight} or 'balanced'。
1. 'balanced'：类库根据训练样本量来计算权重。某种类型的样本量越多，则权重越低。
2. 若误分类代价很高，比如对合法用户和非法用户进行分类，可适当提高非法用户的权重。
3. 样本高度失衡的。如合法用户9995条，非法用户5条，可选择'balanced'，让类库自动提高非法用户样本的权重。

random_state：随机数种子。
solver：逻辑回归损失函数的优化方法。
1. 'liblinear'：使用坐标轴下降法来迭代优化损失函数。
2. 'lbfgs'：拟牛顿法的一种。利用损失函数二阶导数矩阵即海森矩阵来迭代优化损失函数。
3. 'newton-cg'：牛顿法的一种。同上。
4. 'sag'：随机平均梯度下降。每次迭代仅仅用一部分的样本来计算梯度，适合于样本数据多的时候。
5. 多元逻辑回归有OvR(one-vs-rest)和MvM(many-vs-many)两种，而MvM一般比OvR分类相对准确一些。但是，'liblinear'只支持OvR。

max_iter：优化算法的迭代次数。
multi_class：'ovr' or 'multinomial'。'multinomial'即为MvM。
1. 若是二元逻辑回归，二者区别不大。
2. 对于MvM，若模型有T类，每次在所有的T类样本里面选择两类样本出来，把所有输出为该两类的样本放在一起，进行二元回归，得到模型参数，一共需要T(T-1)/2次分类。
verbose：控制是否print训练过程。
warm_start：
n_jobs：用cpu的几个核来跑程序。