我想知道Weka的简单逻辑函数是否使用正则化。
我在文档中没有看到任何提及，但我不确定。任何人都可以证实这一点吗？
*用于构建线性逻辑回归模型的分类器。使用简单回归函数作为基础学习者的LogitBoost用于拟合逻辑模型。要执行的最佳LogitBoost迭代次数是交叉验证的，这会导致自动选择属性。有关更多信息，请参阅：
Niels Landwehr，Mark Hall，Eibe Frank（2005）。物流模型树。 Marc Sumner，Eibe Frank，Mark Hall：加快Logistic Model Tree Induction。参见：第9届欧洲数据库知识发现原理与实践会议，675-683,2005。
OPTIONS
debug - 如果设置为true，分类器可能会向控制台输出其他信息。 useCrossValidation - 设置是否要交叉验证LogitBoost迭代次数，还是应使用训练集上的停止条件。如果未设置（并且没有给出固定的迭代次数），则使用LogitBoost迭代次数来最小化训练集上的错误（错误分类错误或概率错误取决于errorOnProbabilities）。
errorOnProbabilities - 在确定LogitBoost迭代的最佳数量时，将概率上的错误用作错误度量。如果设置，则选择LogitBoost迭代次数，以最小化均方根误差（在训练集或交叉验证中，具体取决于useCrossValidation）。 weightTrimBeta - 设置LogitBoost中用于重量修剪的beta值。仅在前一次迭代中携带（1-β）％权重的实例用于下一次迭代。设置为0表示没有重量修剪。默认值为0。 numBoostingIterations - 为LogitBoost设置固定的迭代次数。如果＆gt; = 0，则设置要执行的LogitBoost迭代次数。如果＆lt; 0，数字经过交叉验证或使用训练集上的停止标准（取决于useCrossValidation的值）。
useAIC - AIC用于确定何时停止LogitBoost迭代（而不是交叉验证或训练错误）。
heuristicStop - 如果heuristicStop＆gt; 0，启用了在交叉验证LogitBoost迭代次数时贪婪停止的启发式算法。这意味着如果在最后一次heuristicStop迭代中没有达到新的最小错误，则停止LogitBoost。建议使用此启发式算法，特别是在小型数据集上，它可以大幅提升速度。默认值为50。
maxBoostingIterations - 设置LogitBoost的最大迭代次数。默认值为500，对于非常小/大的数据集，可能更喜欢更低/更高的值。*
答案 0 :(得分：5)
Weka有多个Logistic回归：
-r参数）