sklearn.linear_model.LogisticRegression 参数
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)
penalty ：str ‘l1’或‘l2’，默认是‘l2’；penalty参数的选择会影响我们损失函数优化算法的选择。即参数solver的选择，如果是L2正则化，那么4种可选的算法{‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’}都可以选择。但是如果penalty是L1正则化的话，就只能选择‘liblinear’了。
{‘newton-cg’, ‘lbfgs’, ‘sag’} 对于高维数据收敛得更快，并且这些solver的multi_class选择multinomial会比选择默认的one-vs-rest表现的更好。 当样本集和特征集都很大的时候，‘sag’会更快。综合来说，‘sag’常常是最好的选择。
dual : bool，默认False；通常样本数量大于特征数量都选false。
tol : float，默认1e-4；判断迭代收敛的阈值。
C : float，默认1.0；正则化参数，必须是正数，取值越小，正则化越强。
fit_intercept : bool，默认True；描述 decision function 是否需要常数b。
intercept_scaling : float，默认1；只有当 solver = ‘liblinear’ 时才有用。
class_weight : dict or ‘balanced’，默认None；类别权重参数，如果默认，就给每个类别相同权重1；‘balanced’ 参数是让他自动调节权重，样本量越多权重越低，样本量越少权重越高。
random_state : int, RandomState instance or None, optional, 默认None；随机数生成器的指定。
solver : {‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}；损失函数的优化算法选择。
max_iter : int, 默认100；指定最大迭代次数。
multi_class : str, {‘ovr’, ‘multinomial’}, 默认 ‘ovr’；分类方式的选择。
warm_start : bool, 默认False；设置true就利用上一次的训练结果继续训练，false就从头开始；对于solver = ‘liblinear’ 没什么用
n_jobs : int, 默认1；指定CPU数量，如果赋值-1，就用上所有CPU。