sklearn.linear_model中的LogisticRegression

1、调用sklearn中的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)

对于多类：

（1）如果参数“multi_class=‘ovr’ ”，分类方法使用one-vs-rest (OvR，一对多)；

（2）如果参数“multi_class=‘multinomial’ ”，损失函数使用cross-entropy loss（目前支持‘multinomial’的优化方法有‘lbfgs’，‘sag’，‘newton-cg’）。

注：其它用法见http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html#sklearn.linear_model.LogisticRegression

使用sklearn中的LogisticRegression:

>>>from sklearn.linear_model import LogisticRegression

>>>a=LogisticRegression()   #参数为默认参数

>>>a.fit(train_feature, label)    #将训练特征和对应标签导入进行训练

>>>test['label']=a.predict(test_feature)   #将测试数据特征输入获得输出

2、属性

（1）coef_：分类决策函数中的特征系数，大小为[1,n_features]和[n_classes,n_features]。

（2）intercept_：分类决策函数中的偏置项，大小为[1,]和[n_classes,]

（3）n_iter_：array, shape (n_classes,) or (1, )       Actual number of iterations for all classes. If binary or multinomial, it returns only 1 element. For liblinear solver, only the maximum number of iteration across all classes is given.