Cs (tür: int; default qiymati 10) - ushbu parametrning har bir qiymati regularizatsiya kuchini inobatga oladi (kichik qiymatlar kuchli regularizatsiyani ko'rsatadi).
cv (tür: int (yoki sklearn.model_selection); default qiymati None) - bu parametr kross-validatsiya algoritmi uchun kerak bo'lgan blok sonini aniqlaydi. Bu parametr aslida asosiy ma'lumotlar to'plamini qanday bo'lganini belgilaydi (default qiymati model_selection.StratifiedKFold bo'lib, bu holatda cv - bo'limlar soni bo'ladi).
Logistik regressiya usuli bilan kross-validatsiya bilan chiziqli klassifikatsiyani amalga oshirishning misoli rasm 8.8 (algoritmning dasturiy kodi) va 8.2 (algoritmning natijalari, LogisticRegressionCV klassini qo'llashga o'xshash) bilan ko'rsatilgan.
alpha (tür: float yoki n_targets o'lchamli massiv; default qiymati 1.0; cheklov: 0 dan katta bo'lishi kerak) - bu parametr modelning qiyinchilik uchun jazo qiymati α ni (modelning murakkablik uchun jazo qo'yish) ko'rsatadi.
fit_intercept (tür: bool; default qiymati True) - bu parametr modelga tashqi ko'rsatkich parametri w0 ni qo'shish talabini ko'rsatadi (fit_intercept=False bo'lganda intercept_ = 0 bo'ladi).
normalize (tür: bool; default qiymati False) - bu parametr ma'lumotlarni normallashtirish talabini ko'rsatadi.
copy_X (tür: bool; default qiymati True) - bu parametr ma'lumotlarni qayta yozishsiz nusxalanishini talab qiladi.
max_iter (tür: int; default qiymati None) - bu parametr algoritmning maksimal iteratsiya sonini ko'rsatadi, None qiymati 1000 ga teng bo'ladi.
tol (tür: int; default qiymati 0.001) - bu parametr algoritmnigini echishning aniqligi (toleransiya)ni ko'rsatadi.
solver (tür: str; default qiymati 'auto') - bu parametr yechish usulini ko'rsatadi (mumkin bo'lgan variantlar: {'auto', 'svd', 'cholesky', 'lsqr', 'sparse_cg', 'sag', 'saga'}, masalan, 'sag' qiymati berilganida, algoritm stoxastik o'rta gradient spuskdan foydalanadi), 'auto' qiymati berilganda usul avtomatik ravishda tanlanadi.
random_state (tür: int; default qiymati None; cheklov: solver={'sag' | 'saga'}) - bu parametr ma'lumotlarni aralashtirish uchun tasodifiy sonlar o'zgaruvchisini ko'rsatadi.
Model klassining asosiy atributlari:
coef_ (tür: ikki o'lchamli massiv, [n_targets, n_features]) - bu atribut lineyn regressiya masalalari uchun hisoblangan wtarget,j ko'efitsiyentlarini saqlash uchun mo'ljallangan (agar yagona maqsadli funksiya mavjud bo'lsa, o'lchamli massiv [n_features] bo'ladi).
intercept_ (tür: float yoki n_targets o'lchamli massiv) - bu atribut tashqi ko'rsatkich parametri w0 yoki wtarget,0 qiymatini saqlash uchun mo'ljallangan. Agar fit_intercept = False bo'lsa, intercept_ = 0.0 bo'ladi.
Model klassining asosiy metodlari:
fit(X, y[, sample_weight]) - o'qishlar to'plami asosida modelni qurish, X (tür: ikki o'lchamli massiv, [n_samples, n_features]) - modelning mustaqil o'zgaruvchilari, y (tür: [n_samples, n_features] yoki [n_samples] o'lchamli massiv) - modelning bog'liq o'zgaruvchilari, sample_weight (tür: massiv yoki [n_samples]) - tanlov o'zgaruvchilarning individual og'irligini aniqlaydigan ixtiyoriy argument.
predict(X) - testlarni asosida modelning parametrlarini bashorat qilish.
score(X, y, sample_weight=None) - test to'plami asosida bashoratning sifatini baholash (1-ga teng bo'lgan eng yaxshi baholash orqali bashorat va test ma'lumotlarini solishtirishda determinatsiya ko'efitsiyentini qaytaradi).
Tartibga solish parametri α ning optimal qiymatini topish uchun, model qurish jarayonida qatnashmagan ob'yektlarning prognoz xatosini minimalizatsiya qilish (determinatsiya koefitsiyentining maksimal qiymatini) asosida algoritm ishlatish mumkin.
Bunday algoritmni ishlatish uchun rasm 13.7dagi dasturiy kodi kabi o'xshash algoritmdan foydalanish mumkin.
