Python scikit-learn SGDClassifier（）同时支持l1，l2和弹性，找到正则化参数的最佳值似乎很重要。
我得到了将SGDClassifier（）与GridSearchCV（）一起使用的建议，但是在SGDClassifier中仅提供正则化参数alpha。如果我使用诸如SVM或LogisticRegression之类的损失函数，则我认为应该使用C而不是alpha进行参数优化。使用Logisitic回归或SVM时，是否可以在SGDClassifier（）中设置最佳参数？
另外，我还有一个关于迭代参数n_iter的问题，但我不明白该参数的含义。如果与shuffle选项一起使用，是否像套袋一样工作？因此，如果我使用l1惩罚和较大的n_iter值，它将像RandomizedLasso（）一样工作吗？
C并且alpha都具有相同的效果。区别在于术语的选择。C与...成正比1/alpha。您应该使用GridSearchCV选择一种alpha或C相同的方式，但请记住，较高的C值可能过度拟合，而较低的值alpha则可能过度拟合。
L2将生成一个具有许多小系数的模型，其中L1将选择一个具有大量0系数和一些大系数的模型。弹性网是两者的结合。
SGDClassifier使用随机梯度下降法，其中数据逐个样本地通过学习算法馈送。该n_iter告诉它应该多少遍做过来的数据。随着迭代次数的增加和学习率的降低，SGD变得更像批次梯度下降，但它也变慢了。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句