我正在使用Scikit Learn Logistic回归函数（http://scikit-learn.org/stable/modules/generated/generated/sklearn.linear_linear_model.logisticregress.html）进行文本分类。我正在使用网格搜索来为C参数选择一个值。我需要为max_iter参数做同样的事情吗？为什么？
c和max_iter参数在Sklearn中具有默认值，这意味着需要调整它们。但是，据我了解，早期停止和L1/L2正则化是避免过度拟合和执行其中一个的两种绝望方法是足够的。我假设调谐max_iter的值等于早期停止吗？
是不正确的吗？总而言之，这是我的主要问题：
1- max_iter需要调整吗？为什么？（文档说它仅对某些求解器有用）
2-调整ax_iter等效于早期停止？
3-我们应该同时执行早期停止和L1/L2正则化吗？
以下是对您的编号问题的一些简单回答，并且非常简化：
- 是的，有时您需要调整
max_iter。为什么？请参阅下一个。 - 不。
max_iter是允许逻辑回归分类器的求解器在停止之前逐步启动的迭代次数。目的是为逻辑回归模型的参数达到"稳定"解决方案，即这是一个优化问题。如果您的max_iter太低，则可能无法达到最佳解决方案，并且模型不足。如果您的价值太高，那么您可以永远等待解决方案，以获取精确度。如果max_iter太低，您也可能会陷入本地Optima。 -
是或编号
a。 L1/L2正则化本质上是复杂模型的"平滑"，因此它不会过度拟合训练数据。如果参数变得太大，则会在成本中受到惩罚。
b。早期停止是在您认为可以接受的某个阶段（
max_iter之前）停止优化模型（例如，通过梯度下降）。例如，可以使用诸如RMSE之类的度量来定义何时停止，或者从您的测试/培训数据中比较指标。c。什么时候使用它们？这取决于您的问题。如果您有一个简单的线性问题，功能有限，则不需要正则化或尽早停止。如果您有成千上万的功能和经验过高，则将正则化作为一种解决方案。如果您不想等待优化在玩参数时运行到结束，因为您只关心一定程度的准确性，则可以提早停止。。
最后，如何正确调整max_iter？这取决于您手头的问题。如果您发现分类度量表明您的模型的性能差，则可能是您的求解器没有采取足够的步骤来达到最低限度。我建议您手工执行此操作，看看成本与max_iter，以查看它是否正确达到最低限度而不是自动化它。