第一次接觸LogisticRegressionCV ，記錄一下。
Logistic回歸是分類算法，不能應用於回歸中(傳入模型的y值,不能是float類型，必須是int類型)
正則化選擇參數 ：penalty
——> L1 / L2 默認是L2的正則化,一般使用L2就可以了，但是如果還是過擬合，就可以用 L1，如果特征較多希望略去不重要特征，就有L1。
參數優化方式 ：solver
——> 當penalty為l1的時候，參數只能是：liblinear(坐標軸下降法)，lbfgs和cg都是關於目標函數的二 階泰勒展開,當penalty為l2的時候，參數可以是：lbfgs(擬牛頓法)、newton-cg(牛頓法變種)， seg(minibatch) 、而liblinear通吃L1正則化和L2正則化
維度<10000時，lbfgs法比較好， 維度>10000時， cg法比較好，顯卡計算的時候，lbfgs和cg都比seg快
1. liblinear：使用了坐標軸下降法來迭代優化損失函數。
2. lbfgs：擬牛頓法的一種，利用損失函數二階導數矩陣即海森矩陣來迭代優化損失函數。
3. newton-cg：也是牛頓法家族的一種，利用損失函數二階導數矩陣即海森矩陣來迭代優化損失函數。
4. sag：即隨機平均梯度下降，是梯度下降法的變種，和普通梯度下降法的區別是每次迭代僅僅用一部分的樣本來計 算梯度，適合於樣本數據多的時候，SAG是一種線性收斂算法，這個速度遠比SGD快。關於SAG的理解.
分類方式參數 :multi_class
——>ovr(默認)、multinomial；這兩種方式在二元分類問題中，效果是一樣的,在多元分類問題中， 效果不一樣
1. ovr :one-vs-rest， 對於多元分類的問題，先將其看做二元分類，分類完成后，再迭代對其中一類繼續進行二元 分類
2.multinomial: many-vs-many（MVM）,即Softmax分類效果
類型權重參數 :class_weight
——>權重一樣可以不輸入、可以選擇balanced讓類庫自己計算類型權重、或自己輸入 <class_weight={0:0.9, 1:0.1}，這樣類型0的權重為90%，而類型1的權重為10%>,
1.選擇balanced，那么類庫會根據訓練樣本量來計算權重。某種類型樣本量越多，則權重越低，樣本量越少，則 權重越高。
2.
樣本權重參數： sample_weight
由於樣本不平衡，導致樣本不是總體樣本的無偏估計，調用fit函數時，通過sample_weight來自己調節每個樣本權 重
如果上面兩種方法都用到了，那么樣本的真正權重是class_weight*sample_weight.
交叉驗證參數 : cv
——> 默認None，使用三折交叉驗證。指定fold數量，默認為3，也可以是yield訓練/測試數據的生成器。
並行數 : n_jobs
——> int：個數,-1：跟CPU核數一致, 1:默認值。
迭代終止判據的誤差范圍 ：tol
---------------------
作者：一個有文化的暴發戶
來源：CSDN
原文：https://blog.csdn.net/wangyuhao07/article/details/86152183
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！