sklearn Logistic回归中的困惑

Question

我正在读Logistic回归的documentation，遇到了一个混乱。尤其是，我对fit_intercept和{}的用法感到困惑

fit_intercept : bool, default: True

Specifies if a constant (a.k.a. bias or intercept) should be added to the decision function.

intercept_scaling : float, default 1.

Useful only when the solver liblinear is used and self.fit_intercept is set to True. In this case, x becomes [x, self.intercept_scaling], i.e. a "synthetic" feature with constant value equal to intercept_scaling is appended to the instance vector. The intercept becomes intercept_scaling * synthetic_feature_weight.

Note! the synthetic feature weight is subject to l1/l2 regularization as all other features. To lessen the effect of regularization on synthetic feature weight (and therefore on the intercept) intercept_scaling has to be increased.

据我所知，intercept作为数据集的一个虚拟特性，因为每次进行预测时，它都被添加到输出中。在

在intercept_scaling下面的一段中，提到了-

a "synthetic" feature with constant value equal to intercept_scaling is appended to the instance vector

但这两个不是一回事吗？这是我的首要问题和困惑。在

最后，文档提到，只有当我使用liblinear作为解算器时，这才有用。如果这两个确实是一样的，并且我将fit_intercept作为{}，那么会发生什么呢？在

Answer 1

fit_intercept只是一个指令，告诉sklearn向决策函数添加一个截获。然而，由于截距必须被学习，那么synthetic_feature_weight就会起作用，这基本上就是截获。intercept_scaling在正则化中起作用，因为截距也会受到惩罚，所以通过增加intercept_scaling给截距项更多的权重来抵消惩罚。在

我没有找到任何理由来更改intercept_scaling参数，因为毕竟，截距将由算法学习，所以如果你甚至不知道截距是什么，那么为什么要缩放它的效果？在