pyspark.ml.classification.LogisticRegression中使用的优化技术是什么？是梯度体面还是渐变上升或其他什么？如果是梯度算法，我该如何指定stepSize？ 我没有在Logistic回归类中看到任何stepSize参数：
class pyspark.ml.classification.LogisticRegression(self, featuresCol="features", labelCol="label", predictionCol="prediction", maxIter=100, regParam=0.0, elasticNetParam=0.0, tol=1e-6, fitIntercept=True, threshold=0.5, thresholds=None, probabilityCol="probability", rawPredictionCol="rawPrediction", standardization=True, weightCol=None, aggregationDepth=2, family="auto")
答案 0 :(得分：0)
根据文档，fit方法需要额外的参数，但是沿着兔子洞试图找到fit实际指向的地方是非常困难的。话虽如此，如果你看一下mllib.classification module，你会发现Logistic回归的第一个实现是LogisticRegressionWithSGD。在那里，您会找到一个弃用说明，指向ml.classifcation模块。
注意：在2.0.0中已弃用。使用ml.classification.LogisticRegression或LogisticRegressionWithLBFGS。
因此，本质上spark告诉您，如果您想使用SGD，请使用ml.classifcation.LogisticRegression。我的假设（目前未经测试）是您可以将mllib.classifcation.LogisticRegressionWithSGD方法的参数用作params=方法的ml.classification.LogisticRegression.fit kwargs。所以在这种情况下你可以尝试传递像folliwng这样的东西。请注意，旧mllib.classification.LogisticRegressionWithSGD.train方法的默认步骤为1.0。
my_lr_model = my_lr_obj.fit(params={'step': 0.5})