如何使用基于 l1 和 l2 正则化的逻辑回归？答案

【问题标题】：How can I use a logistic regression based on both l1 and l2 regularizations?如何使用基于 l1 和 l2 正则化的逻辑回归？
【发布时间】：2019-04-21 17:33:38
【问题描述】：

最近我将我的代码从 R 复制到 Python，我确实需要一些关于代码的帮助。据我所知，sklearn中的逻辑回归只包含l1或l2正则化项，分别代表lasso和岭回归。但是，同时实现 l1 和 l2 正则化项，即 ElasticNet 可能会更好。

在R的情况下，有一个值得注意的包glmnet可以完美地部署上述想法，而python中的包glmnet在我的电脑中似乎只支持Linux系统而不是windows 10（请参考@ 987654321@) 另外，如果包能可视化结果（比如收缩路径）会好很多

#logtistic with penalty terms in sklearn
from sklearn.linear_model import LogisticRegression

LogisticRegression(C=0.1,random_state=seed,penalty='l1')
LogisticRegression(C=0.1,random_state=seed,penalty='l2')

【问题讨论】：

好吧，我发现 sklearn.linear_model.SGDClassifier 通过将损失函数实现为“log”并惩罚为“elasticnet”，这似乎是正确的模型。所以剩下的问题就是可视化结果的方式（请看github.com/bbalasub1/glmnet_python/blob/master/test/…）

标签： python

【解决方案1】：

sklearn.linear_model.SGDClassifier(loss='log', penalty='elasticnet')

【讨论】：

感谢您的回答。实际上，在上面的答案中，我找到了这种方法。我想知道如果我能将结果可视化？例如收缩路径。