Python sklearn SGDClassizer logloss在迭代858时突然出现

我使用sklearn的SGDClassizer和对数损失函数来执行逻辑回归

 model = sklearn.linear_model.SGDClassifier(random_state=0, verbose=1,loss='log',n_iter=iterat)    
result = model.fit(X, y)

我将verbose设置为1以查看错误的外观

该模型似乎要收敛于迭代858（logloss=0.1562），但logloss突然再次上升到一个非常高的值

纪元856 标准值：5.19，NNZs:104，偏差：-1.158471，T:428000000，平均损失：0.156228 总训练时间：2186.96秒

纪元857 标准值：5.19，NNZ:104，偏差：-1.158562，T:4285000000，平均损失：0.156217 总训练时间：2189.51秒

纪元858 标准值：5.19，NNZs:104，偏差：-1.158651，T:4290000000，平均损失：0.156205 总训练时间：2192.06秒

纪元859 标准值：5.19，NNZs:104，偏差：-1.158744，T:32704，平均损耗：20512.848380 总训练时间：2194.61秒

纪元860 标准值：5.19，NNZs:104，偏差：-1.158834，T:5032704，平均损失：133.443993 总训练时间：2197.16秒

纪元861 标准值：5.19，NNZs:104，偏差：-1.158925，T:10032704，平均损耗：67.012436 总训练时间：2199.71秒

---

有人知道为什么会这样吗？提前感谢

没有数据很难回答。更重要的问题是：你知道iter的意思吗？（epochs！；我认为您在这里有点粗放，这可能是这种行为的一个原因）为什么要使用sgd而不是经典的logreg优化方法？（数据大小？当一次迭代在2秒内完成时，看起来没有那么大）没有数据很难回答。更重要的问题是：你知道iter的意思吗？（epochs！；我认为您在这里有点粗放，这可能是这种行为的一个原因）为什么要使用sgd而不是经典的logreg优化方法？（当一次迭代在2秒内完成时，数据大小看起来没有那么大）