我正在使用Python的scikit-learn库进行分类任务。
作为特征选择步骤，我想要使用RandomizedLogisticRegression()。
为了通过交叉验证找到最佳的C值，我使用了LogisticRegressionCV(penalty=’l1′, solver=’liblinear’)。然而，在这种情况下，所有系数都为0。使用l2惩罚则没有问题。此外，单次运行带有l1惩罚的LogisticRegression()似乎可以得到正确的系数。
我正在使用RandomizedLasso和LassoCV()作为解决方案，但我并不确定使用LASSO来处理二元类标签是否合适。
所以我的问题如下：
- 在我的情况下使用LogisticRegressionCV()是否存在问题？
- 除了GridSearchCV()之外，还有没有其他方法来找到逻辑回归的最佳C_值？
- 是否可以使用LASSO进行二元（而非连续）分类？
回答：
从你的描述来看，我可以说在你的情况下l1正则化项的系数过高，你需要将其降低。
当系数非常高时，正则化项会变得比误差项更重要，因此你的模型会变得非常稀疏，并且无法进行预测。
我查看了LogisticRegressionCV的文档，它提到会使用Cs参数在1e-4到1e4之间进行搜索。文档中指出，如果你提供的是整数，为了获得较低的正则化系数，你需要提供更高的Cs值。或者，你也可以自己提供一个正则化系数的倒数列表。
所以，尝试调整Cs参数，降低正则化系数。
