sklearn使用saga求解器和elasticnet惩罚项的LogisticRegression报错如何解决

在LogisticRegression类中指定penalty='elasticnet'时，必须同时传入l1_ratio参数。该参数用于控制弹性网中L1惩罚项的权重，取值范围严格限制在0~1之间，未主动传入时默认值为None，会触发参数校验报错。

• l1_ratio = 0：等价于纯L2岭回归惩罚
• l1_ratio = 1：等价于纯L1 LASSO惩罚
• 0 < l1_ratio < 1：为混合弹性网惩罚，可同时实现特征稀疏化和共线性特征的权重均衡，适配存在大量相关特征的场景

可先设置初始值（如0.5）测试运行，后续再通过调参优化该参数：

# 新增l1_ratio参数即可解决报错
LR = LogisticRegression(random_state=1, solver='saga', penalty='elasticnet', l1_ratio=0.5)
LR.fit(x_train_scaled, y_train)
x_test_scaled = min_max_scaler.transform(x_test)
y_pred = LR.predict(x_test_scaled)

• 弹性网的性能和l1_ratio、正则化强度参数C强相关，可使用GridSearchCV或RandomizedSearchCV对两个参数组合做网格搜索，找到适配当前数据集的最优参数组合
• saga求解器对特征尺度敏感，当前已完成特征归一化处理，符合saga求解器的使用要求，不需要额外调整数据预处理逻辑

内容的提问来源于stack exchange，提问作者Roz