LogisticRegression的solver参数怎么选择？

詹惠儿

2021-04-14 阅读量: 2368

问：

LogisticRegression的solver参数怎么选择？

答：

solver参数决定了我们对逻辑回归损失函数的优化⽅法，有4种算法可以选择，分别是:

liblinear：使⽤了开源的liblinear库实现，内部使⽤了坐标轴下降法来迭代优化损失函数。
lbfgs：拟⽜顿法的⼀种，利⽤损失函数⼆阶导数矩阵即海森矩阵来迭代优化损失函数。
newton-cg：也是⽜顿法家族的⼀种，利⽤损失函数⼆阶导数矩阵即海森矩阵来迭代优化损失函数。
sag：即随机平均梯度下降，是梯度下降法的变种，和普通梯度下降法的区别是每次迭代仅⽤⼀部分的样本来计算梯度，适合于样本数据多的时候。

从上⾯的描述可以看出， newton-cg, lbfgs和sag这三种优化算法时都需要损失函数的⼀阶或者⼆阶连

续导数，因此不能⽤于没有连续导数的L1正则化，只能⽤于L2正则化。⽽liblinear通吃L1正则化和L2正则化。同时， sag每次仅使⽤了部分样本进⾏梯度迭代，所以当样本量少的时候不要选择它，⽽如果样本量⾮常⼤，⽐如⼤于10万， sag是第⼀选择。但是sag不能⽤于L1正则化，所以当你有⼤量的样本，⼜需要L1正则化的话就要⾃⼰做取舍了。要么通过对样本采样来降低样本量量，要么回到L2正则化。

133.3333

关注作者

发表评论

暂无数据

CDA考试动态

CDA报考指南

推荐帖子