python逻辑回归超参数调优代码

以下是一个简单的逻辑回归模型的超参数调优代码：

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import classification_report

# 定义超参数的范围
param_grid = {'C': [0.001, 0.01, 0.1, 1, 10, 100]}

# 实例化逻辑回归模型
logistic = LogisticRegression()

# 使用 GridSearchCV 进行参数调优
grid_search = GridSearchCV(logistic, param_grid=param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train, y_train)

# 输出最佳参数和模型表现
print("Best parameters: {}".format(grid_search.best_params_))
print("Best cross-validation score: {:.2f}".format(grid_search.best_score_))
print("Test set score: {:.2f}".format(grid_search.score(X_test, y_test)))

# 输出分类报告
y_pred = grid_search.predict(X_test)
print(classification_report(y_test, y_pred))

在这里，我们使用了 GridSearchCV 对逻辑回归模型的正则化强度参数 C 进行了调优。我们定义了一个参数范围，然后实例化了一个逻辑回归模型。然后，我们使用 GridSearchCV 对模型进行了训练和调优，并输出了最佳参数和模型表现。最后，我们输出了分类报告，以评估模型的性能。