如何调整sklearn中Logistic Regression参数使拟合曲线更平滑？

关键调整参数：C #

你当前设置的C=1e5是正则化强度的倒数——C值越大，正则化约束越弱，模型容易过度拟合，导致分类边界（或概率曲线）变得异常陡峭。要让曲线更平滑，减小C的值即可，以此增强正则化强度，限制模型的复杂度。

具体修改步骤 #

1. 降低C的取值，比如尝试C=1、C=0.1这类较小的数值，根据实际拟合效果微调：

clf = LogisticRegression(C=1, fit_intercept=True)  # 减小C，增强正则化约束
clf.fit(X.reshape(-1,1), y)

2. 注意：你代码中绘制的a_voir是模型的分类预测结果（非0即1），本身就是阶跃式的。如果要查看平滑的概率拟合曲线，应该绘制模型输出的概率值，比如你已经计算好的loss，或者用predict_proba方法：

plt.plot(X_test, loss)  # 绘制平滑的sigmoid概率曲线，替代阶跃的分类结果

原理说明 #

Logistic Regression中的C参数控制正则化（默认是L2正则化）的强度：

• C越小，正则化项的权重越高，模型会尽量压缩系数的绝对值，使得sigmoid曲线的斜率变小，从而呈现更平滑的过渡。
• C越大，正则化约束越弱，模型系数可能变得极大，导致sigmoid曲线在分界点附近急剧变化，出现陡峭的跳变效果。

内容的提问来源于stack exchange，提问作者Aleksander