LogisticRegression 的核心参数寻优

为了寻找Logistic Regression模型的最佳参数，我们需要定义一个代价函数，然后使用优化算法来最小化这个代价函数。常用的优化算法包括梯度下降、牛顿法和拟牛顿法等。

在sklearn库中，LogisticRegression类提供了多种参数来控制模型的训练过程，包括正则化参数C、优化算法solver、正则化类型penalty等。其中，正则化参数C越小，模型的正则化程度越高，可以有效防止过拟合。

下面是一个使用sklearn库中的LogisticRegression类进行参数寻优的例子：

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 定义Logistic Regression模型
lr = LogisticRegression()

# 训练模型
lr.fit(X_train, y_train)

# 在测试集上评估模型
score = lr.score(X_test, y_test)
print("Accuracy:", score)

在上面的例子中，我们使用了sklearn库中的LogisticRegression类来定义模型，并使用fit()方法在训练集上训练模型。然后，我们使用score()方法在测试集上评估模型的准确率。