Python 3.x 如何在sklearn逻辑回归函数中计算L2（岭）惩罚？

例如，在Python中对我的数据执行以下逻辑回归模型时

### Logistic regression with ridge penalty (L2) ###
from sklearn.linear_model import LogisticRegression
log_reg_l2_sag = LogisticRegression(penalty='l2', solver='sag', n_jobs=-1)
log_reg_l2_sag.fit(xtrain, ytrain)

---

我没有指定脊线惩罚值的范围。最佳岭惩罚是通过公式明确计算的（就像普通最小二乘岭回归那样），还是从惩罚值的默认范围中选择最佳惩罚？文档中对此不清楚。

据我所知，您的问题。您想知道在逻辑回归的情况下，“L2”正则化是如何工作的。比如如何找到最佳值。 我们这里没有给出[0.0001，0.01]这样的网格，因为最佳值是使用LogisticReturnal的“solver”参数找到的。 在您的例子中，解算器是随机平均梯度下降，它可以找出L2正则化的最佳值。

---

L2正则化将保持所有列，使最不重要参数的系数接近0。

感谢Vatsal-因此SAG解算器不仅要找到回归系数，还要找到惩罚值？在任何线性问题中，目标是最小化损失函数和正则化参数。因此，可以说sag优化了损失函数和正则化项的组合。对于eg-目标函数是*损失函数+α（L2）。我想这个最佳α项就是你们要找的。这是使用SAG来发现的