sklearn.linear_Model.LogisticRegressionパラメータ使用

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)
パラメータ:penalty:文字列,‘l 1’or‘l 2’,デフォルト:‘l 2’
                             ペナルティで使用される仕様を指定します.「ニュートンCG」、「SAG」、「LBFGS」ソルバはL 2ペナルティのみをサポートします.
                             バージョン0.19:La 1ペナルティとSAGAソルバ(「複数」+L 1を許可)
dual:ブール値、デフォルト:False
          二重または元の式.二重式はL 2ペナルティを用いた線形ソルバにのみ適用される.サンプル数>フィーチャー数の場合、Falseがより推奨されます.
tol:浮動小数点数、デフォルト:1 e-4
        2回の反復誤差停止しきい値.
C:浮動小数点数、デフォルト:1.0
      正則化強度の逆;正の浮動小数点でなければなりません.ベクトルマシンをサポートするように、小さい値はより強い正規化を指定します.
fit_intercept:ブール値、デフォルト:True
       決定関数に定数(A.K.偏差またはピッチ)を追加するかどうかを指定します.fit_intercept=Trueを設定し、intercept_scalingを大きくすることを推奨します.
intercept_scaling:浮動小数点数、デフォルト1.
       ソルバー「Libliear」とSelf.fit_を使用している場合のみintercept断面積がtrueに設定されている場合に便利です.この場合、xは[x,self.intercept_scaling]となり、すなわち、インスタンスベクトルにintercept_に等しい定数値を付加するscalingの「合成」特徴.断面積は断面積スケール*総合特徴重みとなる.
       注意!合成特徴重みは他のすべての特徴と同様にL 1/L 2正規化の影響を受ける.合成フィーチャーのウェイト値に及ぼす正規化の影響を低減するためにintercept_scalingは大きくしなければなりません.
class_Weight:辞書or「balanced」、default:None
       辞書形式{クラスラベル:ウェイト}に関連付けられたウェイト.与えられていない場合は、すべてのクラスがウェイト1に設定されます.
       「バランス」モードでは、yの値をn_とする.samples/(n_classes*np.bincount(y))の形式で、入力データのクラス周波数に反比例する重みが自動的に調整されます.
random_state:int、ランダムステータスインスタンスまたはなし、オプション、デフォルト:なし
       データを洗浄するための擬似乱数ジェネレータのシード.int,random_stateは乱数ジェネレータで使用されるシードです.randomstateインスタンスの場合、random_stateは乱数発生器である.ない場合、乱数ジェネレータで使用されるnp.randomのrandomstateインスタンス.ソルバ＝「sag」または「linear」の場合に使用します.
solver : {‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’},
        「窪地」と「伝奇」の急速な収束は、ほぼ同じスケールの特徴を保証するだけであることに注意してください.SkReln.PrimeCurrorのルーラーでデータを前処理できます.
max_iter : int, default: 100
        ニュートンCG,SAG,LBFGSソルバにのみ適用されます.ソルバ収束の最大反復数.
multi_class : str, {‘ovr’, ‘multinomial’}, default: ‘ovr’
        複数オプションは、「OVR」または「多項式」のいずれかです.選択したオプションが「OVR」の場合、各ラベルはバイナリの問題に適用されます.そうでなければ損失が最も小さいのは多項式損失が確率分布全体にフィットすることである.リニアソルバには適用されません.
verbose : int, default: 0
        冗長0:訓練過程を出力せず、静かに出力する.1:サイレント出力と同様に、簡潔な情報のみを出力します.>1:サブモデルごとに詳細を出力
warm_start : bool, default: False
        trueに設定すると、初期化に適した以前のソリューションを再利用します.そうしないと、以前のソリューションを消去するだけです.リニアソルバでは役に立たない.
n_jobs : int, default: 1
         Multi_クラス間並列化の際に使用されるCPUコア数を表す「OVR」.`solver`を'libli.'に設定すると、'multi_が指定されているかどうかにかかわらず、このパラメータは無視されます.class'.値が-1の場合、すべてのコアが使用されます.
属性:
coef_ :決定関数の特徴係数、すなわち重み係数.与えられた問題がバイナリである場合coef_形状は(1,n-フィーチャー)
intercept_:断面積(a.k.a.bias)は、決定関数、すなわちB値に追加される.fit_intercept断面積がfalseに設定されている場合、断面積はゼロに設定されます.問題がバイナリである場合,ピッチは(1,)の形状である.
n_iter_:すべてのクラスの実際の反復回数.バイナリまたは多項式の場合、要素1のみが返されます.リニアソルバでは、すべてのクラスの最大反復回数のみが与えられます.