Logistic Regression中Elastic Net惩罚项配置报错，如何设置l1_ratio？

在完成IBM机器学习课程作业时，训练逻辑回归模型已设置penalty='elasticnet'，但多次报错。已知Elastic Net模型需要l1_ratio参数，但不确定该参数是否必须设置以及正确的设置位置。

相关代码 #

# 定义带Elastic Net惩罚的逻辑回归参数
l1_ratio=0.5
# Elastic Net惩罚：收缩系数但不剔除特征
penalty= 'elasticnet'
# 多分类问题
multi_class = 'multinomial'
# Elastic Net和多分类仅支持saga求解器
solver = 'saga'
# 设置最大迭代次数
max_iter = 1000

# 初始化逻辑回归模型并训练
e_net_model = LogisticRegression(random_state=rs, penalty=penalty, multi_class=multi_class, solver=solver, max_iter = 1000)
# 训练模型
e_net_model.fit(X_train, y_train) 

报错信息 #

TypeError                                 Traceback (most recent call last)
Input In [60], in <cell line: 2>()
      1 # Type your code here
----> 2 e_net_model.fit(X_train, y_train)

File ~\anaconda3\lib\site-packages\sklearn\linear_model\_logistic.py:1291, in LogisticRegression.fit(self, X, y, sample_weight)

解决方案 #

• 当使用penalty='elasticnet'时，必须显式设置l1_ratio参数，这是scikit-learn的硬性要求，不设置会触发TypeError。
• 正确位置是在初始化LogisticRegression对象时，将l1_ratio作为参数传入，和其他配置参数放在一起。

修正后的代码：

# 初始化带Elastic Net惩罚的逻辑回归模型
e_net_model = LogisticRegression(
    random_state=rs,
    penalty=penalty,
    l1_ratio=l1_ratio,  # 传入预先定义的l1_ratio值
    multi_class=multi_class,
    solver=solver,
    max_iter=1000
)
# 训练模型
e_net_model.fit(X_train, y_train)

补充说明：l1_ratio取值范围为0到1，0对应纯L2惩罚，1对应纯L1惩罚，你设置的0.5是L1和L2惩罚各占一半的混合模式，完全符合需求。

内容的提问来源于stack exchange，提问作者Nikhil Sharma