Python 模型定义不提供任何输出

以上代码的输出只是

from sklearn.linear_model import LogisticRegression
logmodel = LogisticRegression()
logmodel

但我希望得到更详细的信息，包括模型参数，即：

LogisticRegression()

---

我做错了什么？

这是由于scikit学习v0.23版以后的默认设置发生了更改；从：

默认设置

print\u changed\u only

已从False更改为True。这意味着估计器的

repr

现在更加简洁，只显示在打印估计器时默认值已更改的参数。您可以使用

sklearn.set\u config（print\u changed\u only=False）

恢复以前的行为。另外，请注意，始终可以使用

est.get_params（deep=False）

快速检查任何估计器的参数

换句话说，在v0.23之前的版本中，以下代码：

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='auto', n_jobs=None, penalty='l2',
                   random_state=None, solver='lbfgs', tol=0.0001, verbose=0,
                   warm_start=False)

使用所有模型参数生成以下输出：

import sklearn
sklearn.__version__
# 0.22.2

from sklearn.linear_model import LogisticRegression
lr = LogisticRegression()
lr

但v0.23以后的代码相同：

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='auto', n_jobs=None, penalty='l2',
                   random_state=None, solver='lbfgs', tol=0.0001, verbose=0,
                   warm_start=False)

将产生以下结果：

import sklearn
sklearn.__version__
# 0.23.2

from sklearn.linear_model import LogisticRegression
lr = LogisticRegression()
lr

在这里这样的情况下，即没有明确定义参数，并且所有参数都保持默认值。这是因为

print\u changed\u only

参数现在默认设置为

True

：

LogisticRegression()

要在较新的scikit学习版本中打印所有参数，您应该

sklearn.get_config()

# result:

{'assume_finite': False,
 'working_memory': 1024,
 'print_changed_only': True,
 'display': 'text'}

或更改设置（最好，因为它会影响以后使用的任何和所有型号）：

lr.get_params()

# result

{'C': 1.0,
 'class_weight': None,
 'dual': False,
 'fit_intercept': True,
 'intercept_scaling': 1,
 'l1_ratio': None,
 'max_iter': 100,
 'multi_class': 'auto',
 'n_jobs': None,
 'penalty': 'l2',
 'random_state': None,
 'solver': 'lbfgs',
 'tol': 0.0001,
 'verbose': 0,
 'warm_start': False}

sklearn.set_config(print_changed_only=False) # needed only once
lr # as defined above

# result

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='auto', n_jobs=None, penalty='l2',
                   random_state=None, solver='lbfgs', tol=0.0001, verbose=0,
                   warm_start=False)