scikit-learn 的 LogisticRegression 最小化是什麼？
我已經使用
linear_model.LogisticRegressionL1 正則化來解決分類問題。我的第一次測試非常令人滿意。但是，我之前的測試是在 R 中使用 glmnet 包完成的，現在我想了解它們為什麼不同。我正在嘗試手動（手動）推導最小化的目標函數
linear_model.LogisticRegression。根據文檔，功能是. 但是，我無法獲得這個等式。我推導的起點是負對數似然，我可以將其分解為三個推導。
一個推導遵循 Andrew Ng 的方法，它最小化了一個函數，如（注意這裡）。第二種方法緊跟本講座（http://www.stat.cmu.edu/~cshalizi/uADA/12/lectures/ch12.pdf，第 12.2.1 節），這導致與使用的方程式相似的方程式scikit-learn，但不完全相同：（適用於方程 12.10 中的 scikit-learn 符號）。關閉，但不是雪茄！
第三種方法遵循http://people.csail.mit.edu/jrennie/writing/lr.pdf，其中，就像 scikit-learn （內部），其中目標函數是， 在哪裡是邏輯函數（改編自等式 7）。這裡，目標函數類似於 scikit-learn 的函數，但指數項是倒置的，並且不在指數範圍內。
所以問題是：scikit-learn 最小化的 L1 正則化邏輯回歸到底是什麼？
如果它真的是可能性，那麼我的推導在某些時候可能是錯誤的，是否有參考解釋根據文檔（和根據
sklearn/svm/src/liblinear/linear.cpp）最小化的方程？如果不是可能性，它是什麼，我在哪裡可以找到更多信息？
沒關係我的問題，我再次進行了推導，發現 scikit 方程是正確的，它最小化了負對數似然。以下是步驟：
讓成對的（特徵，類），其中是一個列向量特徵。班上將限於這兩個值（而不是 0 和 1），稍後會有用。
我們正在嘗試模擬屬於類的特徵向量作為：
在哪裡是邏輯回歸模型的權重和截距。 為了獲得最優，我們希望在給定標記數據的數據庫的情況下最大化可能性。優化問題是：
在這一點上，我決定應用對數函數（因為它是單調遞增的）並通過乘以 -1 將最大化問題翻轉為最小化：
這正是 scikit-learn 最小化的方程（沒有 L1 正則化項，並且有)