如何实现 L1 逻辑回归？答案

【问题标题】：How to implement L1 logistic regression?如何实现 L1 逻辑回归？
【发布时间】：2020-05-09 21:20:57
【问题描述】：

作为学习课程的一部分，我尝试在 Python 中使用 scikit-learn 实现 L1 逻辑回归。不幸的是代码

clf, pred = fit_and_plot_classifier(LogisticRegression(penalty = 'l1', C=1000000))

我收到错误消息

ValueError: Solver lbfgs supports only 'l2' or 'none' penalties, got l1 penalty.

我尝试设置 l1_ratio

clf, pred = fit_and_plot_classifier(LogisticRegression(l1_ratio = 1))

但收到错误消息

C:\Users\HP\Anaconda3\lib\site-packages\sklearn\linear_model\_logistic.py:1499: UserWarning: l1_ratio parameter is only used when penalty is 'elasticnet'. Got (penalty=l2)"(penalty={})".format(self.penalty))

那么，如何实现 L1 Logistic 回归？

【问题讨论】：

标签： python machine-learning scikit-learn data-science logistic-regression

【解决方案1】：

你可以像在第一个代码 sn-p 中那样做，但你必须定义另一个求解器。使用“liblinear”或“saga”，check more in the documentation。

【讨论】：

感谢您的回答。我认为它解决了这个问题。所以，我必须使用 clf, pred = fit_and_plot_classifier(LogisticRegression(solver='saga', 惩罚 = 'l1', C=1000000)) - 如果求解器是 'saga' - 否？
由于某种原因，上面带有惩罚的代码，“l2”也产生了完全相同的情节。
我认为情节相同的原因是由于 C 非常高。对于默认值 C=1，这些图肯定不同。