Scikit learn scikit学习逻辑回归，而不是学习和功能
我做错了什么Scikit learn scikit学习逻辑回归，而不是学习和功能,scikit-learn,Scikit Learn,我做错了什么 from sklearn.linear_model import LogisticRegression as Lgr Lgr().fit([[1,0,0], [1,0,1], [1,1,0], [1,1,1]], [0,0,0,1]).predict([[1,0,0], [1,0,1], [1,1,0], [1,1,1]]) 这并没有像预期的那样给出[0,0,0,1]。给出[0,0,0,0]。predict_proba将返回所有小于0.5的输出。结果表明，正则化参数默认为一个导致
from sklearn.linear_model import LogisticRegression as Lgr
Lgr().fit([[1,0,0], [1,0,1], [1,1,0], [1,1,1]], [0,0,0,1]).predict([[1,0,0], [1,0,1], [1,1,0], [1,1,1]])
这并没有像预期的那样给出[0,0,0,1]。给出[0,0,0,0]。predict_proba将返回所有小于0.5的输出。结果表明，正则化参数默认为一个导致欠拟合的值。所以我在构造函数中添加了C=10（C是倒数，所以越高的值意味着正则化越少）。我正在做的另一个更改是删除第一个特征变量，因为除非在构造函数中传递“fit_intercept=False”，否则会自动添加偏差项。以下是工作原理和功能：
from sklearn.linear_model import LogisticRegression as Lgr
print(LgR(C=10).fit([[0,0], [0,1], [1,0], [1,1]], [0,0,0,1]).predict([[0,0], [0,1], [1,0], [1,1]]))
逻辑回归不是这个问题的正确工具。@juanpa.arrivillaga（尽管它的名字）是一个分类器。：）也许可以尝试超参数优化来检查默认参数是否影响质量。@VivekKumar我理解。那不是我指的。实际上，您可以学习AND和OR，但例如，XOR不是线性可分的。无论如何，逻辑回归受训练数据量、正负类的相对平衡等的影响。尝试
Lgr（）。拟合（[[1,0,0]，[1,0,1]，[1,1,0]，[1,1,0]，[1,1,1]，[1,1,1]，[1,1,1]，[0,0,1,1]）。预测（[1,0,0]，[1,0,1]，[1,1]）