用python调整 Logistic Regression 模型参数

在Python中，我们通常使用scikit-learn库来实现Logistic Regression模型，并且该库提供了许多有用的函数来调整模型参数。以下是一个基本的Logistic Regression模型，其中包含调整参数的例子：

# 导入必要的库
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=0)

# 设置模型参数候选值
param_grid = {'C': [0.001, 0.01, 0.1, 1, 10, 100]}

# 创建Logistic Regression模型
lr = LogisticRegression()

# 使用Grid Search来选择最佳参数
grid_search = GridSearchCV(lr, param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最佳参数
print("Best parameters: {}".format(grid_search.best_params_))

# 使用最佳参数来训练模型
lr = LogisticRegression(C=grid_search.best_params_['C'])
lr.fit(X_train, y_train)

# 使用测试集来评估模型性能
print("Test set score: {:.2f}".format(lr.score(X_test, y_test)))

在这个例子中，我们使用了Grid Search来搜索Logistic Regression模型的最佳参数。我们通过设置`param_grid`变量来指定我们希望搜索的参数范围。在这个例子中，我们搜索正则化参数C的值。然后，我们创建了一个Logistic Regression模型，并使用Grid Search来搜索最佳参数。在这个例子中，我们使用了5折交叉验证来评估模型性能。最后，我们使用最佳参数来训练模型，并使用测试集来评估模型性能。