sklean学习之LogisticRegression（逻辑斯蒂回归分类器）【使用方法】
本文是根据sklean官方文档进行翻译和学习的，如果理解有误欢迎留言指正，谢谢。
参考地址：
http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html#
sklearn.linear_model.LogisticRegression
sklearn.linear_model.LogisticRegression
-
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 ) [source] -
逻辑回归(又名logit, MaxEnt)分类器
Parameters: penalty : str, ‘l1’ or ‘l2’, default: ‘l2’
惩罚项类别：用于指定惩罚中使用的规范。
dual : bool, default: False
对偶式或者原始式. 对偶式只适用于l2惩罚且solver=‘liblinear ’。 当n_samples > n_features时设置dual=False
tol : float, default: 1e-4
停止时能接受的容差
C : float, default: 1.0
正则项系数的倒数，它必须是一个正的浮点数。就像支持向量机一样，值越小则正则化更强。
fit_intercept : bool, default: True
Specifies if a constant (a.k.a. bias or intercept) should be added to the decision function.
指定是否应该在决策函数中添加一个常量(斜率或截距)。
intercept_scaling : float, default 1.
只有在使用了solver=“liblinear”且self.fit_intercept设置为True时才有用。
class_weight : dict or ‘balanced’, default: None
权重跟{class_label: weight}有关.如果没有给出，则所有的类都应该有一个权重。“balanced” 模式下使用y的值自动调整权重，与输入数据中的class频率成反比，如n_samples / (n_classes * np.bincount(y))。
random_state : int, RandomState instance or None, optional, default: None
在对数据进行变换时使用伪随机数生成器的种子。如果是int, random_state是随机数生成器使用的种子;如果是随机状态实例，random_state是随机数发生器;如果是None，随机数生成器就是np.random使用的随机状态实例。当solver == ' sag '或' liblinear '时使用。
solver : {‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’},
默认: ‘liblinear’ 算法在优化问题中使用.
-
-
对于小数据集，“liblinear”是一个不错的选择，而“sag”和‘saga’在大数据集更快。
-
对于小数据集，“liblinear”是一个不错的选择，而“sag”和‘saga’在大数据集更快。
-
- 对于多类问题，只有“newton-cg”、“sag”、“saga”和“lbfgs”可以 处理多项损失;“liblinear”只局限于一对多的方案。
-
- “newton-cg”、“lbfgs”和“sag”只处理L2罚则，而 “liblinear”和“saga”处理L1的惩罚。
max_iter : int, default: 100
算法收敛时的最大迭代次数。仅适合newton-cg, sag 和 lbfgs算法.
multi_class : str, {‘ovr’, ‘multinomial’}, default: ‘ovr’
Multiclass选项可以设置为 ‘ovr’ 或者 ‘multinomial’. 如果设置为 ‘ovr’, 那么每个label就对应一个二分类问题. 否则最小损失为符合整个概率分布的多项损失，不支持liblinear 算法
verbose : int, default: 0
详细内容，可以理解为进度条。对liblinear 和 lbfgs 算法可以设置verbose 为任意正数.
warm_start : bool, default: False
如果设置为 True, 直接重用前面调用的解决方案以适应初始化，否则删除之前的解决方案. 不适合liblinear算法
n_jobs : int, default: 1
Number of CPU cores used when parallelizing over classes if 当multi_class=’ovr’时在对class进行并行化时使用的CPU核数. 当``solver``设置为‘liblinear’ 时，不管‘multi_class’ 是否指定，这个参数将被忽略。 如果在值为 -1, 那么将使用所有的核数
Attributes: coef_ : array, shape (1, n_features) or (n_classes, n_features)
决策函数的特征系数。
如果是二分类问题则coef_ is 是一维的
intercept_ : array, shape (1,) or (n_classes,)
在决策函数中的截距
如果fit_intercept设置为 False, 那么 intercept就设置为0.如果是二分类问题则 intercept_ is是一维的
n_iter_ : array, shape (n_classes,) or (1, )
所有类的实际迭代次数。
方法decision_function（X）预测样本的置信分数densify()转换系数矩阵为密集数组的格式fit(X, y[, sample_weight])根据给定的训练数据拟合模型。get_params([deep])获取估计器的参数。predict(X)预测样本X中的类标签predict_log_proba(X)对数概率估计predict_proba(X)概率估计score(X, y[, sample_weight])测试集和标签的预测效果set_params(**params)设置此估计器的参数。sparsify()转换系数矩阵为稀疏矩阵的格式。-
fit( X, y, sample_weight=None )
-
-
Parameters: X : {array-like, sparse matrix}, shape (n_samples, n_features)
- 训练向量，其中
y : array-like, shape (n_samples,)
相对于 X.的目标向量
sample_weight : array-like, shape (n_samples,) optional
分配给单个样本的权重数组。如果没有提供，那么每个样本都具有单位权重。
Returns: self : object
Returns self.