sklearn逻辑回归linear_model.logisticregression
sklearn.linear_model.logisticregression
(penlty='l2',dual=false,tol=0.0001,C=1.0,fit_intercept=true,intercept_scaling=1,class_weight=none,random_state=none,solver='liblinear',max_iter=100,multi_class='ovr',verbose=0,warm_star=false,n_jobs=1)
参数：
penalty：一个字符串，制定了正则化策略。
- 如果为‘l2’，则优化目标函数为：
- 如果为‘l1’，则优化目标函数为：
dual：一个布尔值。如果为true，则求解对偶形式（只是在penalty='l2',solver='liblinear'有对偶形式）；
如果为false，则求原始形式。
C:一个浮点数，指定了惩罚系数的倒数。如果它的值越小，则正则化越大。
fit_intercept:一个布尔值，制定是否需要b值。如果为false，则不会计算b值（模型会假设数据已经中心化）
intercept_scaling:一个浮点数，只有当solver='liblinear'才有意义。
当采用fit_intercept时，相当于人造一个特征出来，该特征恒为1，其权重为b。
在计算正则化的时候，该人造特征也被考虑了。因此为了降低人造特征的影响，需要提供 intercept_scaling
class_weight:一个字典或者字符串'balanced'
如果为字典：则字典给出了每个分类的权重，如{class_label：weight}
如果为字符串’balanced‘：则每个分类的权重与该分类在样品中出现的频率成反比
如果未指定，则每个分类的权重为1
max_iter：一个整数，指定最大迭代数
random_state:一个整数或一个randomstate实例，或者none。
如果为整数，则它制定了随机数生成器的种子
如果为randomstate实例，则指定了随机生成器
如果为none，则使用默认的随机数生成器
solver：一个字符串，指定了求解最优化问题的算法
’newton-cg':使用牛顿法
'lbfgs':使用l-bfgs拟牛顿法
‘liblinear’：使用liblinear
‘sag’ 使用 Stochastic Average Gradient descent 算法
注：对于规模小的数据集，'liblearner'比较适用；对于规模大的数据集，'sag'比较适用。
'newton-cg'、'lbfgs'、'sag' 只处理penalty=‘12’的情况。
tol：一个浮点数，指定判断迭代收敛与否的一个阈值
multi_class:一个字符串，指定对于多分类问题的策略
ovr ：one-vs-rest策略
multinomial：直接采用多分类逻辑回归策略
verbose：一个正数。用于开启/关闭迭代中间输出的日志
warm_start:一个布尔值。如果为true，使用前一次训练结果训练继续，否则从头开始
n_jobs：一个正数。指定任务并行时的cpu数量。如果-1则使用所有了用的cpu
返回值
corf_:权重向量
intercept：b值
n_iter：实际迭代次数
方法：
fix(X,y[,sample_weight])：训练模型。
predict(X)：用模型进行预测，返回预测值。
score(X,y[,sample_weight])：返回（X，y）上的预测准确率（accuracy）。
predict_log_proba（X）：返回一个数组，数组的元素一次是 X 预测为各个类别的概率的对数值。
predict_proba（X）：返回一个数组，数组元素一次是 X 预测为各个类别的概率的概率值。
sparsify()：将系数矩阵转换为稀疏格式。
set_params（** params）：设置此估计器的参数。
decision_function（X）：预测样本的置信度分数。
densify()：将系数矩阵转换为密集阵列格式。
