'L1_ratio' 和 'C' 在 sklearn.linear_model.LogisticRegression
'L1_ratio' and 'C' in sklearn.linear_model.LogisticRegression
我正在尝试 运行 弹性网与 saga 求解器。但是，我对 'C' 参数的作用感到困惑。据我所知，L1_ratio 是套索和岭惩罚的凸和——L1 和 L2 范数——应该用于弹性网络正则化。当我为 'L1_ratio' 设置数字时，是否应该将 'C' 设置为 0？
C 是控制模型正则化量的超参数；见documentation。它的倒数 1/C 在文档中称为正则化强度。 C 越大，参数范数 l1 或 l2 的惩罚越小。对了，C不能设置成0，必须是>0.
l1_ratio 是 [0,1] 范围加权 l1 与 l2 正则化的参数。因此 l1 正则化的数量是 l1_ratio * 1./C，同样 l2 reg 的数量是 (1-l1_ratio) * 1./C
我正在尝试 运行 弹性网与 saga 求解器。但是，我对 'C' 参数的作用感到困惑。据我所知，L1_ratio 是套索和岭惩罚的凸和——L1 和 L2 范数——应该用于弹性网络正则化。当我为 'L1_ratio' 设置数字时，是否应该将 'C' 设置为 0？
C 是控制模型正则化量的超参数；见documentation。它的倒数 1/C 在文档中称为正则化强度。 C 越大，参数范数 l1 或 l2 的惩罚越小。对了，C不能设置成0，必须是>0.
l1_ratio 是 [0,1] 范围加权 l1 与 l2 正则化的参数。因此 l1 正则化的数量是 l1_ratio * 1./C，同样 l2 reg 的数量是 (1-l1_ratio) * 1./C