当前的sklearn LogisticRegression支持多项式设置，但仅允许l2正则化，因为解算器l-bfgs-b和牛顿-cg仅支持该正则化。Andrew Ng有一篇论文讨论了为什么l2正则化不应该与l-bfgs-b一起使用。如果我使用具有对数损失和l1惩罚的sklearn的SGDClassifier，这是否与通过随机梯度
浏览 3提问于2015-08-04得票数 3
我有一个问题要问：据我所知，L1用于LASSO，L2用于岭回归，L1可以收缩到0，L2不能。我理解简单线性回归的机理，但我不知道它在基于树的模型中是如何工作的。
此外，伽马是另一个参数，这使得模型更加保守。我应该如何
浏览 5提问于2021-06-22得票数 2
最近我把我的代码从R复制到Python，我确实需要一些关于代码的帮助。据我所知，sklearn中的逻辑回归仅包括l1或l2正则化项，分别代表套索回归和岭回归。然而，同时实现l1和l2正则化项，即ElasticNet可能要好得多。在R的情况下，有一个值得注意的
浏览 23提问于2019-04-21得票数 0
sklearn中的Logistic回归类带有L1和L2正则化。如何关闭正则化以获得像Matlab中的glmfit那样的“原始”逻辑拟合？我想我可以设置C=大数字，但我不认为这是明智的。
浏览 8提问于2014-08-21得票数 21
最近，我在科幻巨蟒库中发现了Lasso和Ridge回归。但是作为.Net开发人员，我需要accord.net机器学习框架中的相同功能。我试着理解它们在Accord.net中是否可用。例如，我在accord网站上看到了L1和L2回归器，我知道和是用L1正则化和L2正则化实现的。但我还是不确定。有谁能证实/
浏览 5提问于2018-06-18得票数 0
回答已采纳
1回答
我查看了scikit learn logistic回归文档，发现惩罚可以是L1和L2。我知道套索和岭回归分别也称为L1和L2正则化，所以我想知道L1和L2惩罚是否指的是同一件事？
浏览 53提问于2020-12-27得票数 1
回答已采纳
我正在尝试使用正则化( L1或L2)实现逻辑回归。mnrfit()函数不实现正则化。有没有什么内置的函数可以做正则化，或者我必须自己编写正则化代码？如果是这样的话，有没有我可以看的教程？我一直在看的论文在数学上是相当密集的。
浏览 5提问于2013-03-26得票数 1
回答已采纳
当使用线性回归？时，必须在成本函数中加入L2正则化。
在计算成本时，Im没有添加l2或考虑到。这样做不对吗？
浏览 1提问于2016-06-17得票数 2
回答已采纳
问题: Logistic回归使用L1正则化和L2正则化训练logistic回归模型，使用α= 0.1和λ= 0.1。报告准确率、精确度、召回率、F1分数并打印混淆矩阵_lambda = 0.1classifier = LogisticRegression(penalty='l1&#
浏览 26提问于2018-08-30得票数 0
回答已采纳
3回答
这个问题涉及到轻型GBM中的L1 & L2正则化参数。根据正式文件：我见过数据科学家同时使用这两个参数，理想情况下，要么<e
浏览 0提问于2019-08-08得票数 17
回答已采纳
1回答
我不确定这是不是这个问题的好地方，但我被告知CrossValidated不是。所以，所有这些问题都指的是滑雪，但如果你对逻辑回归有深入的见解，我也很想听听。( 1)数据是否必须标准化(平均值为0，stdev 1)？
2)在sklearn中，如何指定我想要什么样的正则化(L1与L2)？请注意，这与惩罚不同；惩罚指的是分类错误，而不是系数上的戊税。( 3)如何进行变量
浏览 3提问于2015-09-22得票数 6
回答已采纳
1回答
我理解Lasso或Ridge是如何努力让斜坡变得平坦的。但是，不同特征的所有系数是否都以相同的速度受到惩罚？就像如果没有套索，回归就是y=x+2z，那么两个系数都会变成以前的一半: y=0.5x+z？或者像与因变量相关性较小的特征会受到更多的惩罚？
浏览 5提问于2020-04-25得票数 0
我正在做多类分类并应用Logistic回归logistic.fit(InputDATA,OutputDATA)
coef_：用于线性回归问题的数组、形状( n_features )或(n_targets，n_features)估计系数。如果在fit (Y2D)中传递多个目标，
浏览 7提问于2015-07-22得票数 8
我正在撰写一篇关于机器学习方法在时间序列预测中的应用的学术论文，我不知道如何写出关于XGBoosting的正则化目标函数的理论部分。在xgb库的Python中，有一种方法可以得到reg_lambda参数(L2正则化参数；岭回归等效参数)和reg_alpha参数(L1正则化参数；Lasso回归等
浏览 0提问于2020-08-03得票数 1
4回答
在机器学习中，防止过度拟合的一种方法是增加L2正则化，有人说L1正则化更好，为什么呢？另外，我知道L1被用来保证数据的稀疏性，这一结果的理论支持是什么？
浏览 6提问于2015-04-22得票数 1
回答已采纳
1回答
如何调整最大熵的参数？
、、、
我正在做文本分类与科学学习的逻辑回归函数()。我使用网格搜索来为C参数选择一个值。我是否需要对max_iter参数做同样的操作？为什么？在Sklearn中，C和max_iter参数都有默认值，这意味着它们需要被调优。但是，据我所知，早期停止和l1/l2正则化是避免过度拟合和执行其中之一的两个绝望的方法。假设调优max_iter的
浏览 3提问于2017-11-24得票数 0
回答已采纳
1回答
我正在开发简单的游戏程序，以显示线性函数近似的Q学习。我决定了大约20 ~ 22个特征。(常数，玩家位置，玩家速度，所有敌人的位置)。而且还有
在实现了这个算法之后，我遇到了一些问题。在运行我的程序后，权重值在几秒钟内溢出。我发现我没有对特征
浏览 0提问于2016-06-29得票数 1
1回答
我在不同的地方见过这样的说法: l1正则化比l2更能惩罚权重。
但l1范数的导数为\lambda，l2范数为2\lambdaw，因此l1正则化减去的值比l2小。那么为什么l1比l2更能惩罚重量呢？还是这样说是不对的？
浏览 0提问于2020-05-17得票数 6
回答已采纳
2回答
我有一个回归问题，其中输出y是一个单一概率，即在区间[0, 1]中变化的实数。
虽然使用L1或L2丢失很可能会很好，但考虑到范围[0, 1]已经定义得很好，我觉得它们不是最合适的选项。
浏览 0提问于2018-10-01得票数 2
1回答
据我所知，这个网格搜索选择了模型中应该使用的最佳变量，并丢弃了其他变量。但是，我不知道它是基于哪种算法/选择度量来选择最佳变量的。有人能告诉我它如何选择要保留的变量和要丢弃的变量吗？
浏览 0提问于2018-07-16得票数 0
云服务器
ICP备案
实时音视频
云直播
对象存储
腾讯云开发者
