老师，您好。现在sklearn默认的solver是lbfgs，我对digits数据集进行LogisticRegression或者LogisticRegressionCV，发现都不收敛。将solver换成liblinear发现都收敛了。查阅了sklearn文档，文档说liblinear适合小型数据集。我就想是不是digits数据集规模小了，只适合用liblinear。可是那些人造的数据那规模不更小吗？用的也是sklearn默认的solver，也没见报这种警告啊。我又用iris数据集测试，发现默认solver情况下LogisticRegression收敛，而
LogisticRegressionCV却不收敛，这又是为什么？同样改成liblinear后就都收敛了。
首先，一个算法适合小数据集，不代表所有小数据集都一定有效。只是统计意义上，这个算法在小数据集上，作用的效果更好。
以 iris 数据及为例，我测试了一下，现在默认的 LogisticRegression 确实不收敛。
解决不收敛的方式，通常有两种，其实课程中都提及过：
1）增加迭代次数。所谓不收敛，是在有限次迭代中没有收敛。LogisticRegression 默认的迭代次数 max_iter 是 100，我试了一下，max_iter 设置为 1000 就可以收敛。
2）另一个方式非常建议，就是对数据做标准化。在讲线性回归的时候介绍过，对于一些算法，标准化虽然在理论上不影响最终的结果，但是会让搜索更容易进行。
继续加油！：）
是的，对于二分类问题，liblinear 性能更好，但是 liblinear 无法直接求解多分类问题的损失函数的最优解，所以只能使用 OvR 的方式处理多分类问题的最优解。而 Ibfgs 可以直接求解多分类问题。所以，当数据达到一定程度，OvR 的性能就有问题了，这就是 liblinear 更适合小规模数据的原因，同时，我怀疑也是 sklearn 更新为将 Ibfgs 作为 solver 的默认方法的原因。课程中人造的数据，用默认的Ibfgs100次也能收敛，是因为数据太简单了，函数的收敛性太强了。
好的。老师另外LogisticRegressionCV里的refit和C是什么意思，sklearn文档里说的我不太明白，您能解释解释吗？
