matlab中L1正则化的高效logistic回归

我正在寻找一个有效的逻辑回归实现在matlab。我在matlab中使用了lassoglm。但是，当我尝试使用10000个具有1000个特征和正则化参数0.005到1的示例时，速度非常慢。我使用双重交叉验证。从lambda 0.05开始，速度非常慢，需要很多时间

---

有更好的方法吗？

您可能想退房。这是一个免费的、最先进的图书馆，用于线性大规模学习。它有一个MATLAB接口

LIBLINEAR具有几种线性方法，包括：

 for multi-class classification
     0 -- L2-regularized logistic regression (primal)
     1 -- L2-regularized L2-loss support vector classification (dual)
     2 -- L2-regularized L2-loss support vector classification (primal)
     3 -- L2-regularized L1-loss support vector classification (dual)
     4 -- support vector classification by Crammer and Singer
     5 -- L1-regularized L2-loss support vector classification
     6 -- L1-regularized logistic regression
     7 -- L2-regularized logistic regression (dual)
   for regression
    11 -- L2-regularized L2-loss support vector regression (primal)
    12 -- L2-regularized L2-loss support vector regression (dual)
    13 -- L2-regularized L1-loss support vector regression (dual)

---

谢谢你的信息。我只是想确认L1正则化logistic回归的Liblinear并没有规范化数据本身。我们必须提供规范化的培训实例。我也可以看到这个选项。我的训练数据集将每个实例作为一行。所以我不需要为这个上校做任何事，对吗？我只是不明白col的意思here@user34790您是对的，liblinear不进行隐式规范化。我不知道

col

选项，因为它似乎在命令行界面中不存在（我本人从未在matlab中使用过liblinear）。