机器学习：线性模型学习总结（2）：逻辑回归分类

1. 用SK-Learn做逻辑回归模型

用于分类：.LogisticRegression

• penalty正则化方法：默认为“$l2$”。
  • 有’$l2$’， ‘$l1$’， '$elasticnet$'三种，分别对应岭回归、Lasso回归、弹性回归。
• l1_ratio：弹性回归参数，[0,1]。确定’$l2$'和 '$l1$'的比率r，仅当是“弹性网”时才使用。默认=None。
• tol停止的容差标准：如果不是None，则在连续的epoch (loss > best_loss - tol)时停止训练。默认=1e-4。
• C正则强度的倒数：与支持向量机一样，较小的值指定更强的正则化。default=1.0。
• solver：用于优化问题的算法。{‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}, 默认=’lbfgs’。
  • ‘newton-cg’：也是牛顿法家族的一种，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。
  • ‘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。
  • ‘liblinear’：不支持设置 penalty='none'；L1正则化，多用于二分类。
  • ‘sag’：要求数据进行缩放处理。支持L2正则化。随机平均梯度下降，是梯度下降法的变种。
  • ⭐‘saga’：要求数据进行缩放处理。支持L1、L2和弹性正则化。
• max_iter：最大迭代次数，默认=100。
• multi_class：分类法类型，默认default=’auto’。
  • ‘auto’：自动判断。
  • ‘ovr’：每个标签都看做二分类问题。
  • ‘multinomial’：Softmax算法，多分类，即使数据是二分类的，损失最小是多项式损失拟合整个概率分布。（当solver =‘liblinear’ 时， ‘multinomial’ 不可用）。

from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import LogisticRegression

logitReg = LogisticRegression()
params = [
    {
   'penalty': [