Scikit learn `warm_start参数及其对计算时间的影响

我有一个定义了一组参数的模型（

warm\u start=True

）

和往常一样，我调用

LogisticRegression.fit（X\u-train，y\u-train）

并在之后使用模型预测新的结果

假设我更改了一些参数，例如，

C=100

，并使用相同的训练数据再次调用

.fit

方法

---

理论上，第二次，我认为

.fit

比

warm\u start=False

的模型需要更少的计算时间。然而，从经验上看，事实并非如此

请帮助我理解

warm\u start

参数的概念

另外：我还为一个实验实现了

sgdclassizer（）

---

我希望您理解使用上一个解决方案作为以下fit的初始化的概念，即

warm\u start=True

声明

warm\u start

参数对liblinear solver无效，因为对于特殊的线性情况没有工作实现。另外，liblinear solver是

LogisticRegression

的默认选择，这基本上意味着在每次新拟合之前，权重将完全重新实例化

要使用

warm\u start

参数并减少计算时间，您应该为

logisticReturnal

使用以下解算器之一：

• 牛顿cg或lbfgs支持L2标准惩罚。它们通常在处理多分类问题时效果更好
• sag或saga在更大的数据集上的收敛速度比liblinear SOVER更快，并在下降过程中使用多项式损失

---

简单例子

---

我希望这能有所帮助。

谢谢，@E.Z.起初，当我研究文档时，我读了它，但在实验中，我忽略了这一点。

from sklearn.linear_model import LogisticRegression

X = [[1, 2, 3], [4, 5, 6], [1, 2, 3]]
y = [1, 0, 1]

# warm_start would work fine before each new fit
clf = LogisticRegression(solver='sag', warm_start=True)

clf.fit(X, y)