python - sklearn.linear_model.LogisticRegression 中的“L1_ratio”和“C”
问题描述
我正在尝试使用 saga 求解器运行弹性网络。但是,我对“C”参数的作用感到困惑。据我所知,L1_ratio 是 lasso 和 ridge 惩罚的凸和——L1 和 L2 范数——应该用于弹性网络正则化。当我为“L1_ratio”设置数字时,是否应该将“C”设置为 0?
解决方案
C
是支配模型中正则化量的超参数;请参阅文档。它的倒数1/C
在文档中称为正则化强度。C
参数范数的惩罚越大,l1
或l2
. C
顺便说一句,不能设置为0
,它必须是>0
。
l1_ratio
是[0,1]
范围加权l1
与l2
正则化中的参数。因此l1
正则化的量是l1_ratio * 1./C
,同样l2
reg 的量是(1-l1_ratio) * 1./C
推荐阅读
- python - Matplotlib 动画图 - 图形在循环完成之前没有响应
- python - 如何获得第一个 Dataframe Python Pandas
- json - 我如何从邮递员的 responseBody 获取特定数据
- unity3d - Unity - Quaternion.Lerp - 轮子旋转
- c++ - 为什么调用notify后等待线程没有唤醒?
- python - 获取运行云函数的运行时服务帐户
- ethereum - 使用枚举时,Solidity 委托调用失败并显示“函数选择器未被识别”
- reactjs - 如何在 reactjs 中从 Phpmyadmin 获取选项
- spring - 是否允许在 Hibernate Interceptor 中更改实体的关系状态?
- java - 在自定义 Android 库中包含 OpenCV,但在尝试加载示例应用程序时出错:找不到属性 camera_id 和属性 show_fps