(sklearn)逻辑回归linear_model.LogisticRegression用法

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=’liblinear’, max_iter=100, multi_class=’ovr’, verbose=0, warm_start=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：为极大似然函数。
• 如果为'l1'，则优化目标函数为：为极大似然函数。

dual：一个布尔值。如果为True，则求解对偶形式（只是在penalty='l2' 且solver='liblinear' 有对偶形式）；如果为False，则求解原始形式。

C：一个浮点数，它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（模型会假设你的数据已经中心化）。

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 。在计算正则化项的时候，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，则每个分类的权重都为 1。

max_iter：一个整数，指定最大迭代数。

random_state：一个整数或者一个RandomState实例，或者None。

• 如果为整数，则它指定了随机数生成器的种子。
  
• 如果为RandomState实例，则指定了随机数生成器。
  
• 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，可以为如下的值。

• '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。

      注意：

• 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，可以为如下的值。

• 'ovr' ：采用 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，那么使用前一次训练结果继续训练，否则从头开始训练。

n_jobs：一个正数。指定任务并行时的 CPU 数量。如果为 -1 则使用所有了用的 CPU。

返回值

coef_：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。

官方说明：http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html