我用'solver = lbfgs'和不同的'max_iter'训练了逻辑回归模型。
# Applying logistic regression by solver = 'lbfgs' on standard scaled values with different max_iter.
def lbfgs( max_iter ) :
log_reg_func_std_scale_lbfgs = LogisticRegression( solver = 'lbfgs', max_iter = max_iter )
log_reg_model_std_scale_lbfgs = log_reg_func_std_scale_lbfgs.fit( x_train_std_scale, y_train )
return log_reg_func_std_scale_lbfgs
max_iter_values = [ 10, 20, 50, 100, 1000 ]
for max_iter in max_iter_values :
log_reg_func_std_scale_lbfgs = lbfgs( max_iter )
print( max_iter )
predict_train_std_scale_lbfgs = log_reg_func.predict( x_train_std_scale )
acc_train_std_scale_lbfgs = ( predict_train_std_scale_lbfgs == y_train ).mean() * 100
print( acc_train_std_scale_lbfgs, log_reg_func_std_scale_lbfgs.score( x_train_std_scale, y_train ) )
cm_std_scale_lbfgs = metrics.confusion_matrix( y_train, predict_train_std_scale_lbfgs )
print( cm_std_scale_lbfgs )
print( '\n\n' )
我得到了这些结果：
10
10.105248185941043 0.8948095238095238
[[3945 3 62 12 7 37 45 4 4 13]
[ 0 4660 9 2 1 4 3 2 2 1]
[ 66 303 3303 176 30 10 137 68 60 24]
[ 52 352 84 3490 18 53 26 110 56 110]
[ 16 68 51 10 3563 49 29 45 4 237]
[ 83 209 43 154 176 2705 174 37 78 136]
[ 37 39 96 2 14 25 3912 5 7 0]
[ 6 75 19 8 17 7 1 4081 1 186]
[ 77 863 70 75 129 367 40 59 2191 192]
[ 22 101 9 28 169 12 0 168 9 3670]]
20
10.105248185941043 0.9284523809523809
EXACTLY SAME CONFUSION MATRIX
50
10.105248185941043 0.9362380952380952
EXACTLY SAME CONFUSION MATRIX
100
10.105248185941043 0.9368095238095238
EXACTLY SAME CONFUSION MATRIX
1000
10.105248185941043 0.9371666666666667
EXACTLY SAME CONFUSION MATRIX
我有3个查询：
为什么 acc_train_std_scale_lbfgs 不会随着迭代次数的增加（ max_iter ）。
为什么 log_reg_func_std_scale_lbfgs.score（x_train_std_scale，y_train） 在 cm_std_scale_lbfgs 值完全相同。
该模型是否随着 max_iter 值的增加而改善。