python中alpha和lambda正则化参数的问题

问题: Logistic回归使用alpha=0.1对具有L1正则化和L2正则化的Logistic回归模型进行训练 λ=0.1。报告准确性、精确性、召回率、f1分数并打印混淆矩阵

我的代码是：

_lambda = 0.1
c = 1/_lambda
classifier = LogisticRegression(penalty='l1',C=c)
classifier.fit(X_train, y_train)

y_pred = classifier.predict(X_test)

我不知道alpha和lambda的真正位置在哪里。 我做得对吗？

你的例子 α=0，λ=10（又名1/1）

阿尔法 alpha是为控制过拟合而增加特征数量惩罚的参数，在本例中为L1（套索回归）或L2（岭回归）。L1和L2惩罚不能同时进行，因为只有一个Lambda系数。快速搁置-Elastic Net是介于L1和L2之间的alpha参数，因此，例如，如果您使用sklearn.SGD_Regressor（）alpha=0是L1 alpha=0.5是elasticnet，alpha=1是Ridge

兰姆达 是一个控制学习速度的术语。换句话说，您希望模型在每次学习迭代期间进行多少更改

混乱 更糟糕的是，这些术语经常互换使用，我认为这是由于图论、统计理论、数学理论和编写常用机器学习库的个人的不同但相似的概念

---

在这里查看一些信息：但也可以查找一些关于统计学习的免费学术教科书。

您可以

打印（classifier.C）

来检索用于训练模型的

1/\u lambda

的值。这就是正则化参数。这里没有其他

alpha

设置。正则化的

alpha

设置仅用于

sgdclassizer

您不能同时放置l1和l2规范化参数。这是一个或另一个，否则你必须做一个elatic网络正则化，然后它是sgdclassizer（使用弹性网络惩罚实现逻辑回归（sgdclassizer（loss=“log”，惩罚=“elasticnet”）））嘿@Alexis，sgdclassizer有Lambda和Alpha参数吗？是的，它同时使用它们。来自doc：正则化器是添加到损失函数的惩罚，该损失函数使用平方欧几里德范数L2或绝对范数L1或两者的组合（弹性网）将模型参数收缩到零向量。试着使用它，但在使用之前要阅读很多。正如在回答中提到的，如果你不了解你正在做的事情，你将一事无成。谢谢你的帖子，但我需要alpha和lambda。有可能吗？有可能吗？我帖子的第一行告诉你你使用的alpha和lambda的值。如果你想要λ=0.1。然后只需设置C=0.1股。我想同时更改代码中的alpha，可以吗？不能使用sklearn LogisticRegression，正如上面提到的@Alexis，您可以在SGDClassizer（loss='log'）中指定此参数。但是，请花一些时间阅读链接源，观看一些视频等。。如果你想在现实世界中使用机器学习，理解这些术语背后的含义是至关重要的。