scikit-learn中SGDClassifier的正则化参数和迭代
Regularization parameter and iteration of SGDClassifier in scikit-learn
Python scikit-learn SGDClassifier() 同时支持 l1、l2 和 elastic，看来找到正则化参数的最优值很重要。
我得到了使用 SGDClassifier() 和 GridSearchCV() 的建议，但在 SGDClassifier 中仅提供正则化参数 alpha。
如果我用损失函数比如SVM或者LogisticRegression，我觉得参数优化应该有C而不是alpha。
使用逻辑回归或 SVM 时，有什么方法可以在 SGDClassifier() 中设置最佳参数吗？
另外，我还有一个关于迭代参数n_iter的问题，但是我没看懂这个参数是什么意思。如果与 shuffle 选项一起使用，它是否像装袋一样工作？所以，如果我使用 l1 惩罚和 n_iter 的大值，它会像 RandomizedLasso() 一样工作吗？
C和alpha的效果是一样的。区别在于术语的选择。 C 与 1/alpha 成正比。您应该以相同的方式使用 GridSearchCV 到 select alpha 或 C，但请记住，较高的 C 更有可能过度拟合，而较低的 alpha 更容易过拟合。
L2会产生很多小系数的模型，而L1会选择大量0系数和少量大系数的模型。弹性网是两者的结合。
SGDClassifier 使用随机梯度下降，其中数据通过学习算法样本逐个输入。 n_iter 告诉它应该对数据进行多少次传递。随着迭代次数的增加和学习率的下降，SGD 变得更像批量梯度下降，但它也变得更慢。
Python scikit-learn SGDClassifier() 同时支持 l1、l2 和 elastic，看来找到正则化参数的最优值很重要。
我得到了使用 SGDClassifier() 和 GridSearchCV() 的建议，但在 SGDClassifier 中仅提供正则化参数 alpha。 如果我用损失函数比如SVM或者LogisticRegression，我觉得参数优化应该有C而不是alpha。 使用逻辑回归或 SVM 时，有什么方法可以在 SGDClassifier() 中设置最佳参数吗？
另外，我还有一个关于迭代参数n_iter的问题，但是我没看懂这个参数是什么意思。如果与 shuffle 选项一起使用，它是否像装袋一样工作？所以，如果我使用 l1 惩罚和 n_iter 的大值，它会像 RandomizedLasso() 一样工作吗？
C和alpha的效果是一样的。区别在于术语的选择。 C 与 1/alpha 成正比。您应该以相同的方式使用 GridSearchCV 到 select alpha 或 C，但请记住，较高的 C 更有可能过度拟合，而较低的 alpha 更容易过拟合。
L2会产生很多小系数的模型，而L1会选择大量0系数和少量大系数的模型。弹性网是两者的结合。
SGDClassifier 使用随机梯度下降，其中数据通过学习算法样本逐个输入。 n_iter 告诉它应该对数据进行多少次传递。随着迭代次数的增加和学习率的下降，SGD 变得更像批量梯度下降，但它也变得更慢。