Python dask_ml.linear_model.LogisticRegression用法及代码示例

用法: 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)

用于逻辑回归的 Esimator。

参数：

penalty：str 或正则化器，默认 ‘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，只有 ‘l1’ 或 ‘l2’ 有效。

dual：bool

忽略

tol：浮点数，默认 1e-4

收敛容差。

C：浮点数

正则化强度。请注意，dask-glm 求解器使用参数化 \(\lambda = 1 / C\)

fit_intercept：布尔值，默认为真

指定是否应将常数(也称为偏差或截距)添加到决策函数。

intercept_scaling：bool

忽略

class_weight：字典或‘balanced’

忽略

random_state：int、RandomState 或无

混洗数据时使用的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RandomState实例，random_state是随机数生成器；如果为 None，则随机数生成器是 np.random 使用的 RandomState 实例。当求解器 == ‘sag’ 或 ‘liblinear’ 时使用。

solver：{‘admm’, ‘gradient_descent’、‘newton’, ‘lbfgs’、‘proximal_grad’}

求解器使用。有关详细信息，请参阅算法

max_iter：整数，默认 100

求解器收敛的最大迭代次数。

multi_class：str，默认 ‘ovr’

忽略。当前不支持多类求解器。

verbose：整数，默认 0

忽略

warm_start：布尔值，默认为 False

忽略

n_jobs：整数，默认 1

忽略

solver_kwargs：dict，可选，默认无

额外的关键字参数传递给求解器。

属性：

coef_：数组，形状(n_classes，n_features): 模型系数的学习值
intercept_：无浮点数: 截距的学习值，如果添加到模型中

例子：

>>> 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)

相关用法

注：本文由纯净天空筛选整理自dask.org大神的英文原创作品 dask_ml.linear_model.LogisticRegression。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。