模型定义不给出任何输出[关闭]

Question

from sklearn.linear_model import LogisticRegression
logmodel = LogisticRegression()
logmodel

上面代码的输出只是

LogisticRegression()

但我希望有更详细的内容，包括模型参数，即：

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='auto', n_jobs=None, penalty='l2',
                   random_state=None, solver='lbfgs', tol=0.0001, verbose=0,
                   warm_start=False)

我做错了什么？

Answer 1

这是由于从scikit-learn v0.23开始的默认配置设置发生了变化；从更改日志中：

默认设置print_changed_only已从False更改为true。这意味着估计器的repr现在更加简洁，并且在打印一个估计器时只显示其默认值已更改的参数。您可以使用sklearn.set_config(PRINT_CHANGED_ONLY=FALSE)恢复以前的行为。另外，请注意，使用est.get_params(deep=false)总是可以快速检查任何估计器的参数。

也就是说，在V0.23之前的版本中，以下代码：

import sklearn
sklearn.__version__
# 0.22.2

from sklearn.linear_model import LogisticRegression
lr = LogisticRegression()
lr

使用所有模型参数生成以下输出：

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='auto', n_jobs=None, penalty='l2',
                   random_state=None, solver='lbfgs', tol=0.0001, verbose=0,
                   warm_start=False)

但从V0.23开始使用相同的代码：

import sklearn
sklearn.__version__
# 0.23.2

from sklearn.linear_model import LogisticRegression
lr = LogisticRegression()
lr

就会产生：

LogisticRegression()

在这种情况下，即没有显式html" target="_blank">定义任何参数，并且所有参数都保持默认值。这是因为print_changed_only参数现在默认设置为true:

sklearn.get_config()

# result:

{'assume_finite': False,
 'working_memory': 1024,
 'print_changed_only': True,
 'display': 'text'}

要在较新的scikit-learn版本中打印所有参数，您应该执行以下操作：

lr.get_params()

# result

{'C': 1.0,
 'class_weight': None,
 'dual': False,
 'fit_intercept': True,
 'intercept_scaling': 1,
 'l1_ratio': None,
 'max_iter': 100,
 'multi_class': 'auto',
 'n_jobs': None,
 'penalty': 'l2',
 'random_state': None,
 'solver': 'lbfgs',
 'tol': 0.0001,
 'verbose': 0,
 'warm_start': False}

或者更改设置（最好，因为它会影响以后使用的任何和所有模型）：

sklearn.set_config(print_changed_only=False) # needed only once
lr # as defined above

# result

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='auto', n_jobs=None, penalty='l2',
                   random_state=None, solver='lbfgs', tol=0.0001, verbose=0,
                   warm_start=False)