【问题标题】：How to perform an unregularized logistic regression using scikit-learn?如何使用 scikit-learn 执行非正则化逻辑回归？
【发布时间】：2017-09-11 21:01:51
【问题描述】：
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的惩罚='l2'和C=1.0，这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，它是一个正则化逻辑回归分类器？
【问题讨论】：
标签：
python-2.7
machine-learning
scikit-learn
logistic-regression
regularized
【解决方案1】：
不，不是那样的。
让我们看看sklearn's user-guide中的定义：
我们看到：
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 设置为一个很大的数字来近似关闭正则化！
- 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
【解决方案2】：
首先，将C 设置为一个较大的值（相对于您的预期系数）。
如果不适合你，也设置penalty='l1'