(solver='liblinear',max_iter=10).fit(trainingSet, trainingLabels)test_accurcy = classifier.score(testSet, testLabels) * 100print('正确率:%f%%' % test_accurcy)
if __name__ == '__main__':colicSklearn()
运行结果如下：
可以看到，正确率又高一些了 。更改参数，比如设置为sag，使用随机平均梯度下降算法，看一看效果 。你会发现，有警告了 。
显而易见，警告是因为算法还没有收敛 。更改=5000，再运行代码：
可以看到，对于我们这样的小数据集，sag算法需要迭代上千次才收敛，而只需要不到10次 。
还是那句话，我们需要根据数据集情况，选择最优化算法 。
五、总结1、回归的优缺点
优点：
缺点：
【三Logistic回归实战篇之预测病马死亡率】2、其他

• 了解5G技术
• 三 交易系统架构演进之路：微服务化
• 三 数据治理之死
• 【咸鱼之王】《食神》联动活动联动答题三
• 含程序 区间线性回归 巧用Excel求解NTC 10K 温度传感器 （升级版
• 对话小牛电动CEO李彦：更看重长期价值 上市募资用于三方面
• TVS二极管的三大亮点，订购不用愁
• 三 微软HololensMR的介绍_如何将微软Hololens的视频导出
• 学习和计算时特别常用的三角公式
• 二极、三极管 电子器件笔记