逻辑回归多分类
经典逻辑回归是一个二分类算法,而当前提供的逻辑回归可以支持多分类,且支持稀疏及稠密数据格式。
仅支持通过可视化方式,配置读取该组件参数,参数详情如下表所示:
- 可视化方式
页签 | 参数 | 参数名称 | 是否必选 | 参数描述 | 默认值 |
---|---|---|---|---|---|
数据源 | 表名 | inputTable | 是 | 数据表 | 无 |
默认参数 | 选择特征标签列 | labelColName | 是 | 输入表中选择标签列名类型。 | 无 |
模型参数 | 惩罚项 | penalty | 是 | 包括l1和l2。netton-cg,sag,lbfgs只支持l2。若选择l2正则化还是过拟合,可考虑l1正则化。若模型特征非常多,一些不重要的特征系数归零,让模型系数化,使用l1正则化。 | l2 |
模型参数 | 训练结束误差边界 | tol | 是 | 优化算法停止的条件。当迭代前后的函数差值小于等于tol时就停止。 | 0.0001 |
模型参数 | 正则化系数 | C | 是 | 值越小,正则化越强。 | 1 |
模型参数 | 是否估计截距 | fit_intercept | 是 | 选择逻辑回归模型中是否会有常数项b。 | TRUE |
调优参数 | 用于标示分类模型中各种类型的权重 | class_weight | 是 | balanced,类库根据训练样本量来计算权重。某种类型的样本量越多,则权重越低。也支持自定义。 | balanced |
调优参数 | 逻辑回归损失函数的优化方法 | solver | 是 | 包括liblinear、lbfgs、newton - cg、sag、saga。liblinear,使用坐标轴下降法来迭代优化损失函数。只支持OvR。lbfgs,拟牛顿法一种。利用损失函数二阶导数矩阵即海森矩阵来迭代优化损失函数。newton-cg也是牛顿法一种。sag,随机平均梯度下降。每次迭代仅仅用一部分的样本来计算梯度,适合于样本数据多。 | liblinear |
调优参数 | 优化算法的迭代次数 | max_iter | 是 | 优化算法的迭代次数。 | 1000 |
调优参数 | 子采样 | multi_class | 是 | 包括ovr、multinomial、auto。multinomial即为MvM。若是二元逻辑回归,二者区别不大。 | auto |