如何使用 scikit-learn 执行非正则化逻辑回归？
How to perform an unregularized logistic regression using scikit-learn?
来自 scikit-learn 的 documentation，默认惩罚为 "l2"，C（正则化强度的倒数）为“1”。如果我保持这个设置 penalty='l2' 和 C=1.0，是否意味着训练算法是一个非正则化的逻辑回归？相反，当 C 不是 1.0 时，那么它就是正则化逻辑回归分类器？
不，不是那样的
让我们看看sklearn's user-guide中的定义：
我们看到：
C 乘以损失，而左项（正则化）未受影响
这意味着：
- 如果不修改代码，您永远无法完全关闭正则化
- 但是： 您可以通过将
C 设置为一个巨大的数字来大致关闭正则化！
- 由于优化试图最小化正则化惩罚和损失的总和，增加
C 会降低正则化惩罚的相关性
首先，将 C 设置为一个较大的值（相对于您的预期系数）。
如果它不适合你，还设置penalty='l1'
来自 scikit-learn 的 documentation，默认惩罚为 "l2"，C（正则化强度的倒数）为“1”。如果我保持这个设置 penalty='l2' 和 C=1.0，是否意味着训练算法是一个非正则化的逻辑回归？相反，当 C 不是 1.0 时，那么它就是正则化逻辑回归分类器？
不，不是那样的
让我们看看sklearn's user-guide中的定义：
我们看到：
C乘以损失，而左项（正则化）未受影响
这意味着：
- 如果不修改代码，您永远无法完全关闭正则化
- 但是： 您可以通过将
C设置为一个巨大的数字来大致关闭正则化！- 由于优化试图最小化正则化惩罚和损失的总和，增加
C会降低正则化惩罚的相关性
- 由于优化试图最小化正则化惩罚和损失的总和，增加
首先，将 C 设置为一个较大的值（相对于您的预期系数）。
如果它不适合你，还设置penalty='l1'