我在Scikit-Learn中使用逻辑回归模型（特别是LogisticRegressionCV）。当我使用默认的tol值（即1e-4）并用不同的random_state值测试模型时，特征系数的波动不大。至少，我可以看出哪些特征是重要的。

然而，当我设置一个较高的tol值（例如，2.3），每次运行模型时，特征系数的波动很大。在一次试验中，特征A的系数为-0.9，而在下一次运行中，它可能变为0.4。

这让我认为，正确的（或理想的）tol值应该是结果更一致时的那个值。

以下是我代码的相关部分：

classifier = LogisticRegressionCV(penalty='l1', class_weight='balanced',                                 #tol=2.2,                                solver='liblinear')

我想知道是否有指南来确定合适的tol值。

回答：

tol参数告诉优化算法何时停止。如果tol的值太大，算法会在收敛之前停止。以下是文档中的说明：

tol : float        停止标准。对于newton-cg和lbfgs求解器，当``max{|g_i | i = 1, ..., n} <= tol``时，迭代将停止，        其中``g_i``是梯度的第i个分量。

对于liblinear求解器，它应该有相似的含义。如果您对细节感兴趣，可以在这里找到liblinear库用于解决l1正则化逻辑回归的newGLMNET算法的描述：这里和这里。