LogisticRegression惩罚集l1或l2等于使用Lasso或Ridge？

Question

from sklearn.linear_model import LogisticRegression

我想知道使用

LogisticRegression(penalty='l1')

是否等于使用

Lasso()

？或者

LogisticRegression(penalty='l2')

等于使用

Ridge()

？我知道如果使用 Lasso alpha=1.0，如果使用 LogisticRegression() C=1.0，但是有什么区别呢？另外，当问题是二元分类时，我应该使用它们中的哪一个？多分类？回归？ PS：我英语不太好，sry。

我知道如果使用 Lasso alpha=1.0，如果使用 LogisticRegression() C=1.0。

Answer 1

我的理解（仍然是一个菜鸟）是 Ridge（“具有 l2 正则化的线性最小二乘法”和 Lasso（“使用 L1 先验作为正则化器训练的线性模型”）回归是“真正的”回归算法，而 Logisitic回归（不管它的名字如何）更多的是一种分类（“逻辑回归（又名 logit，MaxEnt）分类器”）算法。根据 SciKit 文档，可以应用 L1、L2 或两者正则化。

C 和 ALpha 是相关的超参数，但又不同。根据 scikit 文档：

Cfloat，默认=1.0 正则化强度的倒数；必须是正浮动。就像在支持向量机中一样，较小的值指定更强的正则化。

如果您想了解 C 参数的作用，可以查看以下内容：