sklearn.linear_model中的LogisticRegression

1、调用sklearn中的LogisticRegression:

class sklearn.linear_model.LogisticRegression(penalty=’l2’dual=Falsetol=0.0001C=1.0fit_intercept=True,intercept_scaling=1class_weight=Nonerandom_state=Nonesolver=’liblinear’max_iter=100multi_class=’ovr’,verbose=0warm_start=Falsen_jobs=1)

对于多类:

(1)如果参数“multi_class=‘ovr’ ”,分类方法使用one-vs-rest (OvR,一对多);

(2)如果参数“multi_class=‘multinomial’ ”,损失函数使用cross-entropy loss(目前支持‘multinomial’的优化方法有‘lbfgs’,‘sag’,‘newton-cg’)。

注:其它用法见http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html#sklearn.linear_model.LogisticRegression


使用sklearn中的LogisticRegression:

>>>from sklearn.linear_model import LogisticRegression

>>>a=LogisticRegression()   #参数为默认参数

>>>a.fit(train_feature, label)    #将训练特征和对应标签导入进行训练

>>>test['label']=a.predict(test_feature)   #将测试数据特征输入获得输出

2、属性

(1)coef_:分类决策函数中的特征系数,大小为[1,n_features]和[n_classes,n_features]。

(2)intercept_:分类决策函数中的偏置项,大小为[1,]和[n_classes,]

(3)n_iter_:array, shape (n_classes,) or (1, )       Actual number of iterations for all classes. If binary or multinomial, it returns only 1 element. For liblinear solver, only the maximum number of iteration across all classes is given.

你可能感兴趣的:(sklearn)