注意

Go to the end to download the full example code or to run this example in your browser via JupyterLite or Binder.

显示估计器和复杂管道#

此示例演示了显示估计器和管道的不同方式。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

from sklearn.compose import make_column_transformer
from sklearn.impute import SimpleImputer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler

紧凑的文本表示#

估计器在显示为字符串时，将仅显示已设置为非默认值的参数。这减少了视觉干扰，使得比较实例时更容易发现差异。

lr = LogisticRegression(l1_ratio=1)
print(lr)

LogisticRegression(l1_ratio=1)

富HTML表示#

在笔记本中，估计器和管道将使用富HTML表示。这对于概括管道和其他复合估计器的结构特别有用，并具有提供详细信息的交互性。单击下面的示例图像以展开管道元素。有关如何使用此功能的详细信息，请参阅可视化复合估计器。

num_proc = make_pipeline(SimpleImputer(strategy="median"), StandardScaler())

cat_proc = make_pipeline(
    SimpleImputer(strategy="constant", fill_value="missing"),
    OneHotEncoder(handle_unknown="ignore"),
)

preprocessor = make_column_transformer(
    (num_proc, ("feat1", "feat3")), (cat_proc, ("feat0", "feat2"))
)

clf = make_pipeline(preprocessor, LogisticRegression())
clf

Pipeline(steps=[('columntransformer',
                 ColumnTransformer(transformers=[('pipeline-1',
                                                  Pipeline(steps=[('simpleimputer',
                                                                   SimpleImputer(strategy='median')),
                                                                  ('standardscaler',
                                                                   StandardScaler())]),
                                                  ('feat1', 'feat3')),
                                                 ('pipeline-2',
                                                  Pipeline(steps=[('simpleimputer',
                                                                   SimpleImputer(fill_value='missing',
                                                                                 strategy='constant')),
                                                                  ('onehotencoder',
                                                                   OneHotEncoder(handle_unknown='ignore'))]),
                                                  ('feat0', 'feat2'))])),
                ('logisticregression', LogisticRegression())])

在 Jupyter 环境中，请重新运行此单元格以显示 HTML 表示形式或信任 notebook。
在 GitHub 上，HTML 表示形式无法渲染，请尝试使用 nbviewer.org 加载此页面。

脚本总运行时间： (0 minutes 0.027 seconds)

	steps steps: list of tuples 以顺序链式连接的 (name of step, estimator) 元组列表。为了与 scikit-learn API 兼容，所有步骤都必须定义 `fit`。所有非最后一步也必须定义 `transform`。有关更多详细信息，请参阅 :ref:`组合估计器 `。	[('columntransformer', ...), ('logisticregression', ...)]
	transform_input transform_input: list of str, default=None 应在管道将其传递给使用它的步骤之前由管道转换的 :term:`metadata` 参数的名称。这使得可以转换 ``fit`` 的某些输入参数（除了 ``X``）以由管道的步骤进行转换，直到需要它们的步骤。需求通过 :ref:`元数据路由 ` 定义。例如，这可以用于将验证集传递给管道。只有在启用元数据路由时才能设置此项，您可以通过使用 ``sklearn.set_config(enable_metadata_routing=True)`` 来启用它。 .. versionadded:: 1.6	None
	memory memory: str or object with the joblib.Memory interface, default=None 用于缓存管道已拟合的转换器。最后一步永远不会被缓存，即使它是一个转换器。默认情况下，不执行缓存。如果给定字符串，它是缓存目录的路径。启用缓存会在拟合之前触发转换器的克隆。因此，不能直接检查提供给管道的转换器实例。使用属性 ``named_steps`` 或 ``steps`` 来检查管道中的估计器。当拟合耗时时，缓存转换器是有利的。有关如何启用缓存的示例，请参阅 :ref:`sphx_glr_auto_examples_neighbors_plot_caching_nearest_neighbors.py`。	None
	verbose verbose: bool, default=False 如果为 True，则在完成每个步骤时打印拟合所花费的时间。	False

	transformers transformers: list of tuples 指定要应用于数据子集的转换器对象的 (name, transformer, columns) 元组列表。 name : str 与 Pipeline 和 FeatureUnion 中一样，这允许使用 ``set_params`` 设置转换器及其参数，并在网格搜索中进行搜索。 transformer : {'drop', 'passthrough'} or estimator 估计器必须支持 :term:`fit` 和 :term:`transform`。也接受特殊情况的字符串 'drop' 和 'passthrough'，分别表示删除列或按原样传递列。 columns : str, array-like of str, int, array-like of int, array-like of bool, slice or callable 索引数据在其第二个轴上。整数被解释为位置列，而字符串可以通过名称引用 DataFrame 列。如果 ``transformer`` 期望 X 是一个 1d 数组类型（向量），则应使用标量字符串或整数，否则将把 2d 数组传递给转换器。可调用对象被传递输入数据 `X`，可以返回上述任何一种。要按名称或 dtype 选择多列，可以使用 :obj:`make_column_selector`。	[('pipeline-1', ...), ('pipeline-2', ...)]
	remainder remainder: {'drop', 'passthrough'} or estimator, default='drop' 默认情况下，只转换 `transformers` 中指定的列并将其组合在输出中，而未指定的列被删除。（默认值为 ``'drop'``）。通过指定 ``remainder='passthrough'``，所有未在 `transformers` 中指定但在传递给 `fit` 的数据中存在的剩余列将自动传递。此列子集与转换器的输出连接。对于数据框，在 `fit` 期间未见的额外列将从 `transform` 的输出中排除。通过将 ``remainder`` 设置为估计器，剩余的未指定列将使用 ``remainder`` 估计器。估计器必须支持 :term:`fit` 和 :term:`transform`。请注意，使用此功能要求在 :term:`fit` 和 :term:`transform` 时输入的 DataFrame 列具有相同的顺序。	'drop'
	sparse_threshold sparse_threshold: float, default=0.3 如果不同转换器的输出包含稀疏矩阵，则如果总体密度低于此值，它们将被堆叠为稀疏矩阵。使用 ``sparse_threshold=0`` 以始终返回密集矩阵。当转换后的输出全部由密集数据组成时，堆叠结果将是密集的，并且此关键字将被忽略。	0.3
	n_jobs n_jobs: int, default=None 并行运行的作业数。 ``None`` 表示 1，除非在 :obj:`joblib.parallel_backend` 上下文中。``-1`` 表示使用所有处理器。有关更多详细信息，请参阅 :term:`Glossary `。	None
	transformer_weights transformer_weights: dict, default=None 每个转换器特征的乘法权重。转换器的输出乘以这些权重。键是转换器名称，值是权重。	None
	verbose verbose: bool, default=False 如果为 True，则在完成每个转换器时打印拟合所花费的时间。	False
	verbose_feature_names_out verbose_feature_names_out: bool, str or Callable[[str, str], str], default=True - 如果为 True，:meth:`ColumnTransformer.get_feature_names_out` 将为所有特征名称加上生成该特征的转换器的名称作为前缀。这等同于设置 `verbose_feature_names_out="{transformer_name}__{feature_name}"`。 - 如果为 False，:meth:`ColumnTransformer.get_feature_names_out` 将不为任何特征名称加上前缀，如果特征名称不唯一，则会出错。 - 如果为 ``Callable[[str, str], str]``，:meth:`ColumnTransformer.get_feature_names_out` 将使用转换器的名称重命名所有特征。可调用对象的第一个参数是转换器名称，第二个参数是特征名称。返回的字符串将是新的特征名称。 - 如果为 ``str``，它必须是一个准备好格式化的字符串。给定的字符串将使用两个字段名进行格式化：``transformer_name`` 和 ``feature_name``。例如：``"{feature_name}__{transformer_name}"``。有关更多信息，请参阅标准库中的 :meth:`str.format` 方法。 .. versionadded:: 1.0 .. versionchanged:: 1.6 `verbose_feature_names_out` 可以是可调用对象或要格式化的字符串。	True
	force_int_remainder_cols force_int_remainder_cols: bool, default=False 此参数无效。 .. note:: 如果您不访问 `transformers_` 已拟合属性中剩余列的列列表，则无需设置此参数。 .. versionadded:: 1.5 .. versionchanged:: 1.7 `force_int_remainder_cols` 的默认值将从 `True` 更改为 `False`，在版本 1.7 中。 .. deprecated:: 1.7 `force_int_remainder_cols` 已弃用，并将在 1.9 版本中移除。	'deprecated'

	missing_values missing_values: int, float, str, np.nan, None or pandas.NA, default=np.nan 缺失值的占位符。`missing_values` 的所有出现都将被 impute。对于带有缺失值的可空整数 dtypes 的 pandas 数据帧，`missing_values` 可以设置为 `np.nan` 或 `pd.NA`。	nan
	strategy strategy: str or Callable, default='mean' 插值策略。 - 如果为 "mean"，则使用每列的均值替换缺失值。只能用于数值数据。 - 如果为 "median"，则使用每列的中位数替换缺失值。只能用于数值数据。 - 如果为 "most_frequent"，则使用每列最常出现的值替换缺失值。可用于字符串或数值数据。如果有多个这样的值，则只返回最小的一个。 - 如果为 "constant"，则使用 fill_value 替换缺失值。可用于字符串或数值数据。 - 如果是 Callable 实例，则使用通过在包含每列非缺失值的密集 1d 数组上运行可调用对象返回的标量统计量替换缺失值。 .. versionadded:: 0.20 strategy="constant" 用于固定值插值。 .. versionadded:: 1.5 strategy=callable 用于自定义值插值。	'median'
	fill_value fill_value: str or numerical value, default=None 当 strategy == "constant" 时，`fill_value` 用于替换 `missing_values` 的所有出现。对于字符串或对象数据类型，`fill_value` 必须是字符串。如果为 `None`，impute 数值数据时 `fill_value` 将为 0，字符串或对象数据类型时为 "missing_value"。	None
	copy copy: bool, default=True 如果为 True，将创建 X 的副本。如果为 False，imputation 将尽可能就地完成。请注意，在以下情况下，即使 `copy=False`，也始终会创建新副本： - 如果 `X` 不是浮点值数组； - 如果 `X` 编码为 CSR 矩阵； - 如果 `add_indicator=True`。	True
	add_indicator add_indicator: bool, default=False 如果为 True，:class:`MissingIndicator` transform 将堆叠在 imputer transform 的输出上。这允许预测估计器在 impute 之后考虑缺失性。如果在 fit/train 时特征没有缺失值，则即使在 transform/test 时存在缺失值，该特征也不会出现在缺失指示器上。	False
	keep_empty_features keep_empty_features: bool, default=False 如果为 True，当调用 `fit` 时完全由缺失值组成的特征将在调用 `transform` 时返回结果。impute 的值始终为 `0`，除非 `strategy="constant"`，在这种情况下将使用 `fill_value`。 .. versionadded:: 1.2	False

	copy copy: bool, default=True 如果为 False，尝试避免复制并就地进行缩放。不保证始终就地工作；例如，如果数据不是 NumPy 数组或 scipy.sparse CSR 矩阵，仍可能返回副本。	True
	with_mean with_mean: bool, default=True 如果为 True，在缩放之前将数据居中。在稀疏矩阵上尝试时不起作用（并且会引发异常），因为将它们居中需要构建密集矩阵，这在常见用例中可能太大而无法放入内存。	True
	with_std with_std: bool, default=True 如果为 True，将数据缩放到单位方差（或等效地，单位标准差）。	True

	missing_values missing_values: int, float, str, np.nan, None or pandas.NA, default=np.nan 缺失值的占位符。`missing_values` 的所有出现都将被 impute。对于带有缺失值的可空整数 dtypes 的 pandas 数据帧，`missing_values` 可以设置为 `np.nan` 或 `pd.NA`。	nan
	strategy strategy: str or Callable, default='mean' 插值策略。 - 如果为 "mean"，则使用每列的均值替换缺失值。只能用于数值数据。 - 如果为 "median"，则使用每列的中位数替换缺失值。只能用于数值数据。 - 如果为 "most_frequent"，则使用每列最常出现的值替换缺失值。可用于字符串或数值数据。如果有多个这样的值，则只返回最小的一个。 - 如果为 "constant"，则使用 fill_value 替换缺失值。可用于字符串或数值数据。 - 如果是 Callable 实例，则使用通过在包含每列非缺失值的密集 1d 数组上运行可调用对象返回的标量统计量替换缺失值。 .. versionadded:: 0.20 strategy="constant" 用于固定值插值。 .. versionadded:: 1.5 strategy=callable 用于自定义值插值。	'constant'
	fill_value fill_value: str or numerical value, default=None 当 strategy == "constant" 时，`fill_value` 用于替换 `missing_values` 的所有出现。对于字符串或对象数据类型，`fill_value` 必须是字符串。如果为 `None`，impute 数值数据时 `fill_value` 将为 0，字符串或对象数据类型时为 "missing_value"。	'missing'
	copy copy: bool, default=True 如果为 True，将创建 X 的副本。如果为 False，imputation 将尽可能就地完成。请注意，在以下情况下，即使 `copy=False`，也始终会创建新副本： - 如果 `X` 不是浮点值数组； - 如果 `X` 编码为 CSR 矩阵； - 如果 `add_indicator=True`。	True
	add_indicator add_indicator: bool, default=False 如果为 True，:class:`MissingIndicator` transform 将堆叠在 imputer transform 的输出上。这允许预测估计器在 impute 之后考虑缺失性。如果在 fit/train 时特征没有缺失值，则即使在 transform/test 时存在缺失值，该特征也不会出现在缺失指示器上。	False
	keep_empty_features keep_empty_features: bool, default=False 如果为 True，当调用 `fit` 时完全由缺失值组成的特征将在调用 `transform` 时返回结果。impute 的值始终为 `0`，除非 `strategy="constant"`，在这种情况下将使用 `fill_value`。 .. versionadded:: 1.2	False

	categories categories: 'auto' or a list of array-like, default='auto' 每个特征的类别（唯一值）： - 'auto'：从训练数据中自动确定类别。 - list：``categories[i]`` 包含第 i 列中预期的类别。传递的类别不应在单个特征内混合字符串和数值，并且在数值的情况下应已排序。使用的类别可以在 ``categories_`` 属性中找到。 .. versionadded:: 0.20	'auto'
	drop drop: {'first', 'if_binary'} or an array-like of shape (n_features,), default=None 指定用于删除每个特征的一个类别的方法。这在完美共线特征导致问题的情况下很有用，例如将结果数据输入到非正则化线性回归模型中时。然而，删除一个类别会破坏原始表示的对称性，因此可能在下游模型中引入偏差，例如对于惩罚线性分类或回归模型。 - None：保留所有特征（默认值）。 - 'first'：删除每个特征中的第一个类别。如果只存在一个类别，则将完全删除该特征。 - 'if_binary'：删除具有两个类别的每个特征中的第一个类别。具有 1 个或超过 2 个类别的特征保持不变。 - array：``drop[i]`` 是特征 ``X[:, i]`` 中应删除的类别。当配置 `max_categories` 或 `min_frequency` 以对不常见类别进行分组时，删除行为将在分组后处理。 .. versionadded:: 0.21 参数 `drop` 在 0.21 中添加。 .. versionchanged:: 0.23 选项 `drop='if_binary'` 在 0.23 中添加。 .. versionchanged:: 1.1 支持删除不常见类别。	None
	sparse_output sparse_output: bool, default=True 当 ``True`` 时，返回一个 :class:`scipy.sparse.csr_matrix`，即“压缩稀疏行”（CSR）格式的稀疏矩阵。 .. versionadded:: 1.2 `sparse` 已重命名为 `sparse_output`	True
	dtype dtype: number type, default=np.float64 所需输出数据类型。	<class 'numpy.float64'>
	handle_unknown handle_unknown: {'error', 'ignore', 'infrequent_if_exist', 'warn'}, default='error' 指定在 :meth:`transform` 期间处理未知类别的方式。 - 'error'：如果在转换期间存在未知类别，则引发错误。 - 'ignore'：当在转换期间遇到未知类别时，此特征的结果独热编码列将全部为零。在逆向转换中，未知类别将表示为 None。 - 'infrequent_if_exist'：当在转换期间遇到未知类别时，此特征的结果独热编码列将映射到不常见类别（如果存在）。不常见类别将映射到编码中的最后一个位置。在逆向转换期间，未知类别将映射到表示为 `'infrequent'` 的类别（如果存在）。如果 `'infrequent'` 类别不存在，则 :meth:`transform` 和 :meth:`inverse_transform` 将像 `handle_unknown='ignore'` 一样处理未知类别。不常见类别基于 `min_frequency` 和 `max_categories` 存在。在 :ref:`User Guide ` 中阅读更多信息。 - 'warn'：当在转换期间遇到未知类别时，会发出警告，然后编码过程如 `handle_unknown="infrequent_if_exist"` 所述进行。 .. versionchanged:: 1.1 添加了 `'infrequent_if_exist'` 以自动处理未知类别和不常见类别。 .. versionadded:: 1.6 选项 `"warn"` 在 1.6 中添加。	'ignore'
	min_frequency min_frequency: int or float, default=None 指定类别被视为不常见的最小频率。 - 如果为 `int`，则基数小于此值的类别将被视为不常见。 - 如果为 `float`，则基数小于 `min_frequency * n_samples` 的类别将被视为不常见。 .. versionadded:: 1.1 在 :ref:`User Guide ` 中阅读更多信息。	None
	max_categories max_categories: int, default=None 指定当考虑不常见类别时，每个输入特征的输出特征数量的上限。如果存在不常见类别，`max_categories` 包括表示不常见类别的类别以及常见类别。如果为 `None`，则输出特征数量没有限制。 .. versionadded:: 1.1 在 :ref:`User Guide ` 中阅读更多信息。	None
	feature_name_combiner feature_name_combiner: "concat" or callable, default="concat" 具有签名 `def callable(input_feature, category)` 的可调用对象，返回一个字符串。这用于创建由 :meth:`get_feature_names_out` 返回的特征名称。 `"concat"` 使用 `feature + "_" + str(category)` 连接编码特征名称和类别。例如，具有值 1、6、7 的特征 X 创建特征名称 `X_1, X_6, X_7`。 .. versionadded:: 1.3	'concat'

	penalty penalty: {'l1', 'l2', 'elasticnet', None}, default='l2' 指定惩罚项的范数： - `None`: 不添加惩罚项； - `'l2'`: 添加 L2 惩罚项，这是默认选择； - `'l1'`: 添加 L1 惩罚项； - `'elasticnet'`: L1 和 L2 惩罚项均添加。 .. warning:: 某些惩罚项可能不适用于某些 solver。请参见下面的参数 `solver`，以了解惩罚项与 solver 之间的兼容性。 .. versionadded:: 0.19 使用 SAGA solver 的 l1 惩罚（允许 'multinomial' + L1） .. deprecated:: 1.8 `penalty` 在版本 1.8 中已弃用，并将在 1.10 中删除。请改用 `l1_ratio`。`l1_ratio=0` 表示 `penalty='l2'`，`l1_ratio=1` 表示 `penalty='l1'`， `l1_ratio` 设置为 0 到 1 之间的任意浮点数表示 `'penalty='elasticnet'`。	'deprecated'
	C C: float, default=1.0 正则化强度的倒数；必须是正浮点数。与支持向量机类似，较小的值指定更强的正则化。`C=np.inf` 导致未惩罚的 Logistic Regression。有关使用 L1 惩罚调整 `C` 参数效果的视觉示例，请参见： :ref:`sphx_glr_auto_examples_linear_model_plot_logistic_path.py`。	1.0
	l1_ratio l1_ratio: float, default=0.0 Elastic-Net 混合参数，`0 <= l1_ratio <= 1`。设置 `l1_ratio=1` 给出纯 L1 惩罚，设置 `l1_ratio=0` 给出纯 L2 惩罚。 0 到 1 之间的任何值给出形式为 `l1_ratio * L1 + (1 - l1_ratio) * L2` 的 Elastic-Net 惩罚。 .. warning:: 某些 `l1_ratio` 值（即某些惩罚项）可能不适用于某些 solver。请参见下面的参数 `solver`，以了解惩罚项与 solver 之间的兼容性。 .. versionchanged:: 1.8 默认值从 None 更改为 0.0。 .. deprecated:: 1.8 `None` 已弃用，并将在版本 1.10 中删除。始终使用 `l1_ratio` 来指定惩罚类型。	0.0
	dual dual: bool, default=False 对偶（受限）或原始（正则化，另请参见 :ref:`this equation `) 公式。对偶公式仅针对 liblinear solver 的 l2 惩罚实现。当 n_samples > n_features 时，فضل `dual=False`。	False
	tol tol: float, default=1e-4 停止标准的容差。	0.0001
	fit_intercept fit_intercept: bool, default=True 指定是否应将常量（也称为偏差或截距）添加到决策函数。	True
	intercept_scaling intercept_scaling: float, default=1 仅当使用 solver `liblinear` 且 `self.fit_intercept` 设置为 `True` 时有用。在这种情况下，`x` 变为 `[x, self.intercept_scaling]`，即一个常数值等于 `intercept_scaling` 的“合成”特征被附加到实例向量。截距变为 ``intercept_scaling * synthetic_feature_weight``。 .. note:: 合成特征权重像所有其他特征一样受到 L1 或 L2 正则化。为了减少正则化对合成特征权重（以及因此对截距）的影响，必须增加 `intercept_scaling`。	1
	class_weight class_weight: dict or 'balanced', default=None 与类关联的权重，形式为 ``{class_label: weight}``。如果未给出，则所有类假定权重为一。 “balanced”模式使用 y 的值根据输入数据中类频率的倒数自动调整权重，计算方式为 ``n_samples / (n_classes * np.bincount(y))``。请注意，如果指定了 sample_weight（通过 fit 方法传入），则这些权重将与 sample_weight 相乘。 .. versionadded:: 0.17 class_weight='balanced'	None
	random_state random_state: int, RandomState instance, default=None 当 ``solver`` == 'sag'、'saga' 或 'liblinear' 时用于打乱数据。有关详细信息，请参见 :term:`Glossary `。	None
	solver solver: {'lbfgs', 'liblinear', 'newton-cg', 'newton-cholesky', 'sag', 'saga'}, default='lbfgs' 用于优化问题的算法。默认值为 'lbfgs'。要选择求解器，您可能需要考虑以下方面： - 'lbfgs' 是一个很好的默认求解器，因为它适用于各种问题。 - 对于 :term:`multiclass` 问题 (`n_classes >= 3`)，除 'liblinear' 外的所有求解器都最小化完整的多项式损失，'liblinear' 将引发错误。 - 'newton-cholesky' 是 `n_samples` >> `n_features * n_classes` 的一个很好的选择，尤其是对于具有稀有类别的独热编码分类特征。请注意，此求解器的内存使用量与 `n_features * n_classes` 成二次关系，因为它明确计算完整的 Hessian 矩阵。 - 对于小型数据集，'liblinear' 是一个不错的选择，而 'sag' 和 'saga' 对于大型数据集更快； - 'liblinear' 默认只能处理二分类。要在多分类设置中应用一对多方案，可以使用 :class:`~sklearn.multiclass.OneVsRestClassifier` 包装它。 .. warning:: 算法的选择取决于所选的惩罚（L2 惩罚为 `l1_ratio=0`，L1 惩罚为 `l1_ratio=1`，Elastic-Net 为 `0 < l1_ratio < 1`）以及对（多项式）多分类的支持： ================= ======================== ====================== solver l1_ratio multinomial multiclass ================= ======================== ====================== 'lbfgs' l1_ratio=0 yes 'liblinear' l1_ratio=1 or l1_ratio=0 no 'newton-cg' l1_ratio=0 yes 'newton-cholesky' l1_ratio=0 yes 'sag' l1_ratio=0 yes 'saga' 0<=l1_ratio<=1 yes ================= ======================== ====================== .. note:: 'sag' 和 'saga' 的快速收敛仅在具有大致相同尺度的特征上得到保证。您可以使用 :mod:`sklearn.preprocessing` 中的缩放器对数据进行预处理。 .. seealso:: 有关 :class:`LogisticRegression` 的更多信息，请参阅 :ref:`User Guide `，特别是总结求解器/惩罚支持的 :ref:`Table `。 .. versionadded:: 0.17 随机平均梯度 (SAG) 下降求解器。版本 0.18 中的多项式支持。 .. versionadded:: 0.19 SAGA 求解器。 .. versionchanged:: 0.22 默认求解器从 'liblinear' 更改为 'lbfgs'，在 0.22 中。 .. versionadded:: 1.2 newton-cholesky 求解器。版本 1.6 中的多项式支持。	'lbfgs'
	max_iter max_iter: int, default=100 solver 收敛所需的最大迭代次数。	100
	verbose verbose: int, default=0 对于 liblinear 和 lbfgs solver，将 verbose 设置为任意正数以显示详细信息。	0
	warm_start warm_start: bool, default=False 设置为 True 时，重用上次调用 fit 的解决方案作为初始化，否则，擦除上一个解决方案。对于 liblinear solver 无用。有关详细信息，请参见 :term:`the Glossary `。 .. versionadded:: 0.17 warm_start 支持 lbfgs、newton-cg、sag、saga solver。	False
	n_jobs n_jobs: int, default=None 不产生任何效果。 .. deprecated:: 1.8 `n_jobs` 在版本 1.8 中已弃用，并将在 1.10 中删除。	None

显示估计器和复杂管道#

紧凑的文本表示#

富HTML表示#

本页