Scikit-Learn

lbfgs
: For multiclass problems, it handles 
multinomial loss. It also handles only L2 
penalty. 

saga
: It is a good choice for large datasets. 
For multiclass problems, it also handles 
multinomial loss. Along with L1 penalty, it 
also supports ‘elasticnet’ penalty. 

sag
: It is also used for large datasets. For 
multiclass problems, it also handles 
multinomial loss. 
max_iter
: int, optional, default = 100 
As name suggest, it represents the maximum 
number of iterations taken for solvers to converge. 
multi_class
: 
str, {‘ovr’, ‘multinomial’, 
‘auto’}, optional,
 
default = ‘ovr’
 

ovr
: For this option, a binary problem is fit 
for each label. 

multimonial
: For this option, the loss 
minimized is the multinomial loss fit across 
the entire probability distribution. We can’t 
use this option if solver = ‘liblinear’. 

auto
: This option will select ‘ovr’ if solver = 
‘liblinear’ or data is binary, else it will 
choose ‘multinomial’.
verbose
: int, optional, default = 0
By default, the value of this parameter is 0 but for 
liblinear and lbfgs solver we should set verbose to 
any positive number. 
warm_start
: bool, optional, default = false 
With this parameter set to True, we can reuse the 
solution of the previous call to fit as initialization. 
If we choose default i.e. false, it will erase the 
previous solution.
n_jobs
: int or None, optional, default = 
None 
If multi_class = ‘ovr’, this parameter represents 
the number of CPU cores used when parallelizing 
over classes. It is ignored when solver = ‘liblinear’.
l1_ratio
: float or None, optional, default = 
None 
It is used in case when penalty = ‘elasticnet’. It is 
basically the Elastic-Net mixing parameter with 0 
< = l1_ratio < = 1.