sklearn.svm.l1_min_c?
sklearn.svm.l1_min_c(X, y, *, loss='squared_hinge', fit_intercept=True, intercept_scaling=1.0)
返回在(l1_min_C, infinity)范圍內保證模型不為空的C的最小值，這適用于l1懲罰分類器，例如懲罰系數='l1'的LinearSVC和懲罰系數='l1'的linear_model.LogisticRegression
如果在fit（）中沒設置class_weight參數，則此值有效。
| 參數 | 說明 |
|---|---|
| X | 形如(n_samples, n_features)的數組或者稀疏矩陣 訓練向量，其中n_samples為樣本數量，n_features為特征數量 |
| y | 形如(n_samples,)的數組 X的目標向量 |
| loss | {‘squared_hinge’, ‘log’}, 默認=’squared_hinge’ 指定損失函數。“ squared_hinge”是指hinge loss函數的平方（也稱為L2損失函數），而“ log”是邏輯回歸模型的損失函數。 |
| fit_intercept | 布爾值, 默認=True 指定截距是否應由模型擬合。它必須與fit（）方法參數匹配。 |
| intercept_scaling | 浮點型, 默認=1.0 當fit_intercept為真時，實例向量x變為[x, intercept_scaling]，即在實例向量上附加一個定值為intercept_scaling的“合成”特征。它必須匹配fit()方法參數。 |
| 返回值 | 說明 |
|---|---|
| l1_min_c | C的最小值 |
