Python 逻辑回归；lbfgs“；在skLearn中，不随“增加”而提高准确性；最大值；

我用“solver=lbfgs”和不同的“max_iter”训练了一个逻辑回归模型

# Applying logistic regression by solver = 'lbfgs' on standard scaled values with different max_iter.

def lbfgs( max_iter ) :
    log_reg_func_std_scale_lbfgs = LogisticRegression( solver = 'lbfgs', max_iter = max_iter )
    log_reg_model_std_scale_lbfgs = log_reg_func_std_scale_lbfgs.fit( x_train_std_scale, y_train )
    return log_reg_func_std_scale_lbfgs


max_iter_values = [ 10, 20, 50, 100, 1000 ]

for max_iter in max_iter_values :
    log_reg_func_std_scale_lbfgs = lbfgs( max_iter )
    print( max_iter )
    predict_train_std_scale_lbfgs = log_reg_func.predict( x_train_std_scale )
    acc_train_std_scale_lbfgs = ( predict_train_std_scale_lbfgs == y_train ).mean() * 100
    print( acc_train_std_scale_lbfgs, log_reg_func_std_scale_lbfgs.score( x_train_std_scale, y_train ) )
    cm_std_scale_lbfgs = metrics.confusion_matrix( y_train, predict_train_std_scale_lbfgs )
    print( cm_std_scale_lbfgs )
    print( '\n\n' )

我得到了这些结果：

10
10.105248185941043 0.8948095238095238
[[3945    3   62   12    7   37   45    4    4   13]
 [   0 4660    9    2    1    4    3    2    2    1]
 [  66  303 3303  176   30   10  137   68   60   24]
 [  52  352   84 3490   18   53   26  110   56  110]
 [  16   68   51   10 3563   49   29   45    4  237]
 [  83  209   43  154  176 2705  174   37   78  136]
 [  37   39   96    2   14   25 3912    5    7    0]
 [   6   75   19    8   17    7    1 4081    1  186]
 [  77  863   70   75  129  367   40   59 2191  192]
 [  22  101    9   28  169   12    0  168    9 3670]]

20
10.105248185941043 0.9284523809523809
EXACTLY SAME CONFUSION MATRIX

50
10.105248185941043 0.9362380952380952
EXACTLY SAME CONFUSION MATRIX

100
10.105248185941043 0.9368095238095238
EXACTLY SAME CONFUSION MATRIX

1000
10.105248185941043 0.9371666666666667
EXACTLY SAME CONFUSION MATRIX

我有3个问题：

为什么acc\U train\U std\U scale\U lbfgs没有随着迭代次数的增加而增加（或改变）（max\U iter）

为什么log\u reg\u func\u std\u scale\u lbfgs当cm\u std\u scale\u lbfgs值完全相同时，得分（x\u train\u std\u scale，y\u train）会（略微）增加

模型是否随着max_iter值的增加而改善

---

启用“详细”以查看它是否已聚合。如果趋同正在发生，就没有理由继续下去。与SGD和co.相比，lbfgs非常不同，需要的迭代次数要少得多（参见默认值val=100），并且在不进行超参数调整的情况下保证收敛。