在scikit-learn 中逻辑回归原型如下：class sklearn.linear_model.LogisticRegression(penalty=’l2’, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver=’warn’, max_iter=100, multi_class=’warn’, verbose=0, warm_start=False, n_jobs=None)

1、参数：

• penalty:一个字符串，指定了正则化策略,默认为l2。
• dual：一个布尔值，如果为true，则求解对偶形式（只在penalty=‘l2’且solver=‘lib-linear’有对偶形式），如果为false，则求解原始形式，默认为false。
• C：一个浮点数，它指定了罚项系数的倒数，如果它的值越小，则正则化项越大。
• fit_intercept:一个布尔值，指定是否需要计算b值。如果为false那么不会计算b值(模型假设你的数据已经中心化了)
• intercept_scaling:一个浮点数，只有当solver='liblinear'才有意义。当采用fit_intcept时相当于人造一个特征出来，特征恒为1，权重为b。在计算正则化项的时候，该人造特征也被考虑了，因此为了降低这个人造特征的影响，需要提供intercept_scaling。
• class_weight:一个字典或者字符串'balanced',如果为字典，则字典给出了每个分类的权重，形如{class_label:weight};如果为字符串'balanced',则每个分类的权重与该分类在样本集中出现的频率成反比。如果未指定，则每个分类的权重都为1。
• max_iter:一个整数，指定最大迭代次数。
• random_state:一个整数或者一个RandomState实例或者none。如果为整数，则它指定了随机数生成器的种子，如果为RandomState实例，则指定了随机数生成器。如果为none则使用默认是随机数生成器。
• solver:一个字符串，指定了求解最优化问题的算法，可以为如下值。newton-cg:使用牛顿法；lbfgs:使用L-BFGS拟牛顿法；liblinear:使用liblinear;sag:使用stochastic average gradient descent算法。注：对于规模小的数据集，liblinear比较适用，对于规模大的数据集，sag比较适用，而newton-cg,lbfgs、sag只处理penalty='l2'的情况。
• tol:一个浮点数，指定判断迭代收敛与否的阈值。
• multi_class:一个字符串，指定对于多分类问题的策略，可以为如下值，ovr:采用one-vs-rest策略；multinomial:直接采用多分类逻辑回归策略。
• verbose:一个正数。用于开启/关闭迭代中间输出日志功能。
• warm_start:一个布尔值，如果为true，那么使用前一次训练结果继续训练，否则从头开始训练。
• n_jobs：一个正数。指定任务并行时的cpu数量。如果为-1则使用所有可用的CPU。

2、属性

• coef_:权重向量。
• intercept_:b值
• n_iter_:实际迭代次数

3、方法

• fit(x,y[,sample_weight]):训练模型
• predict(x):用模型进行训练，返回预测值。
• predict_log_proba(x):返回一个数组，数组的元素依次是x预测为各个类别的概率的对数值。
• predict_proba(x):返回一个数组，数组的元素依次是x预测为各个类别的概率值。
• score(x,y[,sample_weight]):返回在（x,y）上预测的准确率