sklean学习之LogisticRegression（逻辑斯蒂回归分类器）【使用方法】

本文是根据sklean官方文档进行翻译和学习的，如果理解有误欢迎留言指正，谢谢。

参考地址：

http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html#

sklearn.linear_model.LogisticRegression

sklearn.linear_model.LogisticRegression

sklearn.linear_model.LogisticRegression(penalty=’l2’dual=Falsetol=0.0001C=1.0fit_intercept=Trueintercept_scaling=1class_weight=Nonerandom_state=Nonesolver=’liblinear’max_iter=100multi_class=’ovr’verbose=0warm_start=Falsen_jobs=1)[source]

Parameters:

penalty dual 对偶式或者原始式. dual=False tol 停止时能接受的容差 C fit_intercept Specifies if a constant (a.k.a. bias or intercept) should be added to the decision function. intercept_scaling class_weight . random_state solver 默认: ‘liblinear’ 算法在优化问题中使用. max_iter multi_class Multiclass选项可以设置为 ‘ovr’ 或者 ‘multinomial’. 如果设置为 ‘ovr’, 那么每个label就对应一个二分类问题. 否则最小损失为符合整个概率分布的多项损失，不支持liblinear 算法 verbose 详细内容，可以理解为进度条。对liblinear 和 lbfgs 算法可以设置verbose 为任意正数. warm_start 如果设置为 True, 直接. 不适合liblinear算法 n_jobs ``solver``设置为‘liblinear’ 时，不管‘multi_class’ 是否指定，这个参数将被忽略。 如果在值为 -1, 那么将使用所有的核数

Attributes:

coef_ 如果是二分类问题则coef_ intercept_ 如果fit_intercept设置为 False, 那么 intercept就设置为0.如果是二分类问题则intercept_是一维的 n_iter_

方法

decision_function（X）预测样本的置信分数
densify()
fit
get_params([deep])
predict(X)
predict_log_proba(X)
predict_proba(X)
score
set_params(**params)
sparsify()

fit(Xysample_weight=None)

Parameters:	X n_samples表示样本数量 ，n_features表示特征数量. y 相对于 X.的目标向量 sample_weight
Returns:	self Returns self.

文章来源: sklean学习之LogisticRegression（逻辑斯蒂回归分类器）【使用方法】