使用逻辑回归来训练模型，使用网格搜索寻找以下最优超参数： alpha：正则化系数，默认值为0.0001。 loss： ['squared_loss', 'huber', 'epsilon_insensitive', 'squared_epsilon_insensitive', 'squared_error'] #损失函数 penalty：["l1", "l2", "elasticnet"] # 正则化策略 learning_rate：["constant", "optimal", "invscaling","adaptive"] # 学习率策略 eta0：初始学习率。默认值为0.01 # 初始学习率 power_t：默认值为0.25。仅适用于"invscaling"策略，用于调整学习率衰减速度的指数。 （from sklearn.exceptions import ConvergenceWarning warnings.filterwarnings("ignore", category=ConvergenceWarning) #忽略错误）

好的，你的问题是如何使用逻辑回归进行超参数调优。下面是一个基本的流程：

1. 导入所需模块和数据集。

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

iris = load_iris()
X = iris.data
y = iris.target

2. 创建逻辑回归模型和超参数网格。

logreg = LogisticRegression()
param_grid = {'C': [0.001, 0.01, 0.1, 1, 10, 100], 
              'penalty': ['l1', 'l2', 'elasticnet'], 
              'solver': ['lbfgs', 'liblinear', 'saga', 'newton-cg']}

3. 使用GridSearchCV来寻找最优超参数。

grid_search = GridSearchCV(logreg, param_grid, cv=5)
grid_search.fit(X, y)

4. 输出最佳超参数和得分。

print("Best parameters: {}".format(grid_search.best_params_))
print("Best cross-validation score: {:.2f}".format(grid_search.best_score_))

在上述代码中，我们使用GridSearchCV函数来寻找最优超参数。该函数的参数包括用于搜索的模型（LogisticRegression），超参数网格（param_grid），以及交叉验证的次数（cv=5）。调用fit方法后，GridSearchCV会遍历给定的超参数网格，使用交叉验证来评估每个超参数的性能，并返回最佳超参数和得分。

需要注意的是，如果模型在训练过程中出现收敛警告（ConvergenceWarning），可以使用warnings模块来忽略该警告。