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=’liblinear’, max_iter=100, multi_class=’ovr’, verbose=0, warm_start=False, n_jobs=1)
参数：
penalty: 一个字符串，制定了正则化策略。
如果为'l2'，则优化目标函数为：为极大似然函数。
如果为'l1'，则优化目标函数为：为极大似然函数。
dual：一个布尔值。如果为True，则求解对偶形式（只是在penalty='l2' 且solver='liblinear' 有对偶形式）；如果为False，则求解原始形式。
C：一个浮点数，它指定了惩罚系数的倒数。如果它的值越小，则正则化越大。
fit_intercept：一个布尔值，制定是否需要b 值。如果为False，则不会计算b值（模型会假设你的数据已经中心化）。
intercept_scaling：一个浮点数，只有当 solver='liblinear' 才有意义。当采用 fit_intercept 时，相当于人造一个特征出来，该特征恒为 1，其权重为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，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品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，则使用默认的随机数生成器。
solver：一个字符串，指定了求解最优化问题的算法，可以为如下的值。
'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。
注意：
对于规模小的数据集，'liblearner'比较适用；对于规模大的数据集，'sag'比较适用。
'newton-cg'、'lbfgs'、'sag' 只处理penalty=‘12’的情况。
tol：一个浮点数，指定判断迭代收敛与否的一个阈值。
multi_class：一个字符串，指定对于多分类问题的策略，可以为如下的值。
'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/关闭迭代中间输出的日志。
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 则使用所有了用的 CPU。