我在使用L1惩罚进行特征选择过程中，将sklearn.linear_model.LogisticRegression模型拟合到我的数据上。我的理解是，使用penalty='l1'意味着优化过程将最小化成本函数，前提是所有系数绝对值之和小于给定的阈值（如这里所解释）。

是否有一个参数可以声明系数绝对值之和的阈值？

这是我的分类器：

clf = LogisticRegression(penalty='l1', dual=False, tol=0.01, C=1.0,                         fit_intercept=True, intercept_scaling=1,                         random_state=0, solver='saga', max_iter=500,                         multi_class='auto', n_jobs=-1)

也许solver选项中没有一个是以阈值来优化问题的，但说实话，我只熟悉算法的基本形式，所以我不知道是否真是这样。

回答：

你要找的是C参数，它基本上是wiki中公式中的倒数lambda：

min: 1/n * ||y - X * beta||^2 + lambda * ||beta||

（你提供的链接）。

降低C与增加上述方程中的lambda有相同的效果（增加上述方程中的lambda和降低你代码中的C都会导致更多的正则化）。

tol用作优化算法的停止标准，而不是用于正则化。