如何使用 scikit-learn 执行非正则化逻辑回归？
Posted
技术标签:
【中文标题】如何使用 scikit-learn 执行非正则化逻辑回归？【英文标题】：How to perform an unregularized logistic regression using scikit-learn? 【发布时间】：2017-09-11 21:01:51 【问题描述】：来自 scikit-learn 的 documentation，默认惩罚为“l2”，C（正则化强度的倒数）为“1”。如果我保持这个设置的惩罚='l2'和C=1.0，这是否意味着训练算法是一个非正则化的逻辑回归？相反，当 C 不是 1.0 时，它是一个正则化逻辑回归分类器？
【问题讨论】：
【参考方案1】：不，不是那样的。
让我们看看sklearn's user-guide中的定义：
我们看到：
C 乘以损失，而左项（正则化）保持不变
这意味着：
如果不修改代码，您永远无法完全关闭正则化 但是：您可以通过将C 设置为一个很大的数字来近似关闭正则化！
由于优化试图最小化正则化惩罚和损失的总和，增加C 会降低正则化惩罚的相关性
【讨论】：
【参考方案2】：首先，将C 设置为一个较大的值（相对于您的预期系数）。
如果不适合你，也设置penalty='l1'
【讨论】：
以上是关于如何使用 scikit-learn 执行非正则化逻辑回归？的主要内容，如果未能解决你的问题，请参考以下文章
如何在 scikit-learn 中使用随机逻辑回归找到最低的正则化参数 (C)？
python - 如何在python scikit-learn中找到逻辑回归中的正则化参数？
如何在 scikit-learn 的 SVM 中使用非整数字符串标签？ Python
如何调整 scale scikit-learn Logistic Regression coeffs 以对非缩放数据集进行评分？