Abd*_*awy 19 python machine-learning scikit-learn logistic-regression overfitting-underfitting
C中的参数是什么意思sklearn.linear_model.LogisticRegression？它如何影响决策边界？高值会使C决策边界非线性吗？如果我们可视化决策边界，逻辑回归的过度拟合会是什么样子？
Acc*_*ion 23
从文档中：
C：浮点数，默认=1.0 正则化强度的倒数；必须是正浮动。与支持向量机一样，较小的值指定更强的正则化。
如果您不明白这一点，交叉验证可能是比这里更好的地方。
虽然 CS 人员经常将函数的所有参数称为“参数”，但在机器学习中，C 被称为“超参数”。参数是告诉模型如何处理特征的数字，而超参数则告诉模型如何选择参数。
正则化通常指的是对于更极端的参数应该有复杂度惩罚的概念。这个想法是，只查看训练数据而不注意参数的极端程度会导致过度拟合。C 值越高，告诉模型对训练数据给予高权重，对复杂性惩罚给予较低权重。较低的值告诉模型对这种复杂性惩罚给予更多的权重，但以拟合训练数据为代价。基本上，高 C 意味着“非常信任这个训练数据”，而低值表示“这个数据可能无法完全代表现实世界的数据，所以如果它告诉你将参数设置得非常大，请不要听到它”。
https://en.wikipedia.org/wiki/Regularization_（数学）
| 归档时间： |
|
| 查看次数： |
42596 次 |
| 最近记录： |