dask_ml.linear_model.LogisticRegression
dask_ml.linear_model.LogisticRegression¶
- class dask_ml.linear_model.LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1.0, class_weight=None, random_state=None, solver='admm', max_iter=100, multi_class='ovr', verbose=0, warm_start=False, n_jobs=1, solver_kwargs=None)¶
逻辑回归的估计器。
- 参数
- penaltystr 或 Regularizer，默认值 ‘l2’
要使用的正则化器。仅与 ‘admm’、‘lbfgs’ 和 ‘proximal_grad’ 求解器相关。
对于字符串值，仅 ‘l1’ 或 ‘l2’ 有效。
- dual布尔型
被忽略
- tol浮点型，默认值 1e-4
收敛的容差。
- C浮点型
正则化强度。请注意
dask-glm求解器使用参数化 \(\lambda = 1 / C\)- fit_intercept布尔型，默认值 True
指定是否应将常数（也称偏置或截距）添加到决策函数中。
- intercept_scaling布尔型
被忽略
- class_weight字典或 ‘balanced’
被忽略
- random_state整型, RandomState 或 None
用于在打乱数据时使用的伪随机数生成器的种子。如果为整型，random_state 是随机数生成器使用的种子；如果为 RandomState 实例，random_state 是随机数生成器；如果为 None，随机数生成器是 np.random 使用的 RandomState 实例。在 solver == ‘sag’ 或 ‘liblinear’ 时使用。
- solver{‘admm’, ‘gradient_descent’, ‘newton’, ‘lbfgs’, ‘proximal_grad’}
要使用的求解器。详见 算法
- max_iter整型，默认值 100
求解器收敛的最大迭代次数。
- multi_class字符串，默认值 ‘ovr’
被忽略。目前不支持多类别求解器。
- verbose整型，默认值 0
被忽略
- warm_start布尔型，默认值 False
被忽略
- n_jobs整型，默认值 1
被忽略
- solver_kwargs字典，可选，默认值 None
传递给求解器的额外关键字参数。
- 属性
- coef_数组，形状 (n_classes, n_features)
模型系数的学习值
- intercept_浮点型或 None
截距的学习值，如果模型中添加了截距的话
示例
>>> from dask_glm.datasets import make_classification >>> X, y = make_classification() >>> lr = LogisticRegression() >>> lr.fit(X, y) >>> lr.decision_function(X) >>> lr.predict(X) >>> lr.predict_proba(X) >>> lr.score(X, y)
方法
decision_function(X)预测 X 中样本的置信度分数。
fit(X[, y])在训练数据上拟合模型
get_metadata_routing()获取此对象的元数据路由。
get_params([deep])获取此估计器的参数。
predict(X)预测 X 中样本的类别标签。
predict_proba(X)预测 X 中样本的概率估计。
score(X, y)给定数据和标签的平均准确率
set_params(**params)设置此估计器的参数。
- __init__(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1.0, class_weight=None, random_state=None, solver='admm', max_iter=100, multi_class='ovr', verbose=0, warm_start=False, n_jobs=1, solver_kwargs=None)¶