我想使用Iris数据集，并基于GridSearchCV函数选择最佳的逻辑回归模型。

我目前的工作

import numpy as npfrom sklearn import datasetsfrom sklearn.model_selection import GridSearchCVfrom sklearn.linear_model import LogisticRegressioniris = datasets.load_iris()X = iris.data[:, :2]y = iris.target# 逻辑回归reg_log = LogisticRegression()# 惩罚项pen = ['l1', 'l2','none']# 正则化强度（从-10到10的数值）C = np.logspace(-10, 10, 100)# 这些参数的可能值parameters= dict(C=C, penalty=pen)# 基于5折交叉验证选择最佳模型Model = GridSearchCV(reg_log, parameters, cv=5)# 拟合最佳模型Best_model = Model.fit(X, y)

我遇到了很多错误。你知道我哪里做错了么？

回答：

由于你选择了不同的正则化方法，你可以在帮助页面上看到：

‘newton-cg’, ‘sag’, 和 ‘lbfgs’ 求解器仅支持L2正则化和无正则化的原始形式，‘liblinear’ 求解器支持L1和L2正则化，但仅对L2惩罚支持对偶形式。Elastic-Net正则化仅由‘ saga’ 求解器支持。

我不太确定你是否想对惩罚项=’none’ 和惩罚分数进行网格搜索。所以如果你使用 saga 并增加迭代次数：

reg_log = LogisticRegression(solver="saga",max_iter=1000)pen = ['l1', 'l2']C = [0.1,0.001]parameters= dict(C=C, penalty=pen)Model = GridSearchCV(reg_log, parameters, cv=5)Best_model = Model.fit(X, y)res = pd.DataFrame(Best_model.cv_results_)res[['param_C','param_penalty','mean_test_score']]    param_C param_penalty   mean_test_score0   0.1 l1  0.7533331   0.1 l2  0.8333332   0.001   l1  0.3333333   0.001   l2  0.700000

这样运行得还不错。如果你使用惩罚值时遇到更多错误，试着检查它们，确保它们不是一些极端的值。