使用 sklearn 进行逻辑回归
Logistic Regression with sklearn
不确定这里是否适合回答这个问题，但有人告诉我 CrossValidated 不适合。所以，所有这些问题都与 sklearn 有关，但如果您对逻辑回归有一般的见解，我也很想听听。
1) 数据是否必须标准化（平均值为 0，标准偏差为 1）？
2) 在 sklearn 中，如何指定我想要的正则化类型（L1 与 L2）？请注意，这与惩罚不同；惩罚是指分类错误，而不是对系数的惩罚。
3）我怎样才能同时进行变量选择？即，类似于线性回归的套索。
4) 使用正则化时，如何优化正则化强度 C？是否有内置的东西，还是我必须自己处理？
可能一个例子会最有帮助，但如果您对这些问题有任何见解，我将不胜感激。
这是我的起点：http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html
非常感谢您！
1) 对于逻辑回归，没有。您不是在计算实例之间的距离。
2) 您可以指定penalty='l1' 或penalty='l2' 参数。参见LogisticRegression page。 L2惩罚是默认的。
3) scikit-learn 提供了多种明确的特征选择技术，例如使用 SelectKBest with a chi2 排名函数。
4) 你会想要为最佳参数做一个Grid Search。
有关所有这些问题的更多详细信息，我建议阅读一些 Examples, e.g. this one and this one。
不确定这里是否适合回答这个问题，但有人告诉我 CrossValidated 不适合。所以，所有这些问题都与 sklearn 有关，但如果您对逻辑回归有一般的见解，我也很想听听。
1) 数据是否必须标准化（平均值为 0，标准偏差为 1）？
2) 在 sklearn 中，如何指定我想要的正则化类型（L1 与 L2）？请注意，这与惩罚不同；惩罚是指分类错误，而不是对系数的惩罚。
3）我怎样才能同时进行变量选择？即，类似于线性回归的套索。
4) 使用正则化时，如何优化正则化强度 C？是否有内置的东西，还是我必须自己处理？
可能一个例子会最有帮助，但如果您对这些问题有任何见解，我将不胜感激。
这是我的起点：http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html
非常感谢您！
1) 对于逻辑回归，没有。您不是在计算实例之间的距离。
2) 您可以指定penalty='l1' 或penalty='l2' 参数。参见LogisticRegression page。 L2惩罚是默认的。
3) scikit-learn 提供了多种明确的特征选择技术，例如使用 SelectKBest with a chi2 排名函数。
4) 你会想要为最佳参数做一个Grid Search。
有关所有这些问题的更多详细信息，我建议阅读一些 Examples, e.g. this one and this one。