Scikit-用Python学习更新

Question

在提出问题之前，我先做一个介绍。但是，下面的代码并没有出现任何错误，理论上，算法应该是图2，但是图1。我在网上找到了一个类似于我的算法，但是也出现了同样的问题。我还注意到，库正在更新，而且每次都会更好。我比较了LinearRegression花型的错误分类样本，以前(我不记得版本)有8或7种，而最近的错误分类样本是1。

问题1:是否需要对代码进行任何更改才能获得图2？如果答案是否定的，那么图1的解释是什么？如果答案是肯定的，你应该修改什么，为什么？

问题2:如何才能看到库更新，特别是scikit学习算法？

import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression


iris = datasets.load_iris()
X = iris.data[:, [2, 3]]
y = iris.target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
sc= StandardScaler()
sc.fit(X_train)
X_train_std = sc.transform(X_train)
X_test_std = sc.transform(X_test)


lr=LogisticRegression(C=100.0, random_state=1)
lr.fit(X_train_std,y_train)

weights, params = [], []
for c in np.arange(-5, 5):
   lr = LogisticRegression(C=10.**c, random_state=1)
   lr.fit(X_train_std, y_train)
   weights.append(lr.coef_[1])
   params.append(10.**c)

weights = np.array(weights)
plt.plot(params, weights[:, 0], color='blue', marker='x', label='petal length')
plt.plot(params, weights[:, 1], color='green',  marker='o', label='petal width')
plt.ylabel('weight coefficient')
plt.xlabel('C')
plt.legend(loc='right')
plt.xscale('log')
plt.show()

​

​

​

​

Answer 1

这对我起了作用：

lr = LogisticRegression(C=10.**c, random_state=1, multi_class='ovr')

multi_class是在最新发布的scikit-learn中更改默认值的参数之一。(另一个参数是solver)。出于某种原因，将其转化为二进制问题解决了这个问题，但对于所发生的事情却没有太多的线索。:)