Python scikit学习中SGDClassizer的正则化参数和迭代

Python scikit learn sgdclassizer（）支持l1、l2和elastic，找到正则化参数的最佳值似乎很重要

我得到一个建议，使用SGDClassizer（）和GridSearchCV（）来实现这一点，但在SGDClassizer中，它只提供正则化参数alpha。 如果我使用损失函数，如SVM或LogisticRegression，我认为应该有C，而不是alpha来进行参数优化。 在使用Logistic回归或SVM时，有没有办法在SGDClassizer（）中设置最佳参数

---

此外，我还有一个关于迭代参数n_iter的问题，但我不理解这个参数的含义。如果与洗牌选项一起使用，它是否像装袋一样工作？所以，如果我使用l1惩罚和n_iter的大值，它会像RandomizedLasso（）一样工作吗？

C

和

alpha

都有相同的效果。区别在于术语的选择

C

与

1/alpha

成比例。您应该使用

GridSearchCV

以同样的方式选择

alpha

或

C

，但请记住

C

越高越可能过度拟合，而

alpha

越低越可能过度拟合

L2将生成具有许多小系数的模型，其中L1将选择具有大量0系数和一些大系数的模型。弹性网是两者的结合

---

sgdclassiner

使用随机梯度下降法，其中数据通过学习算法逐样本输入。

n_iter

告诉它应该对数据进行多少次传递。随着迭代次数的增加和学习速度的下降，SGD变得更像批梯度下降，但也变得更慢

多谢各位。那么，如果我想获得逻辑回归的C=0.1的相同效果，我应该使用损失函数SVM将SGDClassizer的alpha设置为10吗？“但请记住，较高的C更可能过度拟合，较低的alpha更可能过度拟合。”或者请记住，较高的C更可能过度拟合，较低的alpha更可能欠拟合？