Python PySpark：Logistic回归弹性网正则化

PySpark的逻辑回归接受

elasticNetParam

参数。如果我将这个参数设置为

0.2

，它意味着什么？它是指

l1的
0.2
和
l2的
0.8
，还是相反

此外，我一直在尝试使用sklearn重现PySpark的结果。为此，我使用sklearn的
sgdclassizer

这是我正在初始化PySpark逻辑回归模型的参数字典

{'elasticNetParam': 0.41880231596887807, 
'regParam': 0.05816730909769129, 
'threshold': 0.4011073540317653,
'maxIter': 21.0}

这就是我用在sklearn的SGDClassizer上的

{'loss':'log',
'penalty':'elasticnet', 
'l1_ratio':0.41880231596887807, 
'alpha':0.05816730909769129, 
'fit_intercept':True, 
'max_iter':21*train_pandas.shape[0]}

这两个参数是等价的吗？或者我应该将
l1_比率
更改为
（1-0.41880231596887807）

关于
max\u iter
，由于训练方法的不同，我考虑将它乘以行数。我知道我不会得到确切的结果，我正在寻找类似的结果。差值+/-0.01是可以接受的。但目前，差异约为-0.05，我希望能够弥补这一点。
来自pyspark ml v2.1.0文档：

elasticNetParam=Param（parent='undefined'，name='elasticNetParam'，doc='ElasticNet混合参数，范围为[0,1]。对于alpha=0，惩罚为L2惩罚。对于alpha=1，惩罚为L1惩罚。）

因此，您应该将
l1_比率
更改为
（1-0.41880231596887807）

但即使如此，我认为pyspark和scikit learn之间可能会得到不同的结果，因为其
随机状态
和
解算器
参数。
来自pyspark ml v2.1.0文档：

elasticNetParam=Param（parent='undefined'，name='elasticNetParam'，doc='ElasticNet混合参数，范围为[0,1]。对于alpha=0，惩罚为L2惩罚。对于alpha=1，惩罚为L1惩罚。）

因此，您应该将
l1_比率
更改为
（1-0.41880231596887807）

但即使如此，我认为pyspark和scikit learn可能会得到不同的结果，因为它的
随机状态
和
解算器
参数。
您能进一步澄清吗？我想知道elasticNetParam是否必须为0或1，或者它可以取介于两者之间的值？它可以取介于两者之间的值。如果alpha=0，则为L2惩罚（岭回归）。如果alpha=1，则为L1惩罚（套索回归）。如果0