Scikit-Learn

fit_intercept = 
False
, this parameter will be ignored. 
precompute
: 
True|False|array-like, 
default=False 
With this parameter we can decide whether to use 
a precomputed Gram matrix to speed up the 
calculation or not. To preserve sparsity, it would 
always be true for sparse input. 
copy_X
: Boolean, optional, default = True 
By default, it is true which means X will be copied. 
But if it is set to false, X may be overwritten. 
max_iter
: int, optional 
As name suggest, it represents the maximum 
number of iterations taken for conjugate gradient 
solvers. 
warm_start
: bool, optional, default = false 
With this parameter set to True, we can reuse the 
solution of the previous call to fit as initialisation. 
If we choose default i.e. false, it will erase the 
previous solution.

---

Scikit-Learn
49 
random_state
: int, RandomState instance 
or None, optional, default = none 
This parameter represents the seed of the pseudo 
random number generated which is used while 
shuffling the data. Following are the options: 

int:
In this case, 
random_state
is the seed 
used by random number generator. 

RandomState instance
: In this case, 
random_state
is the random number 
generator. 

None:
In this case, the random number 
generator is the RandonState instance used 
by np.random. 
selection
: str, default=‘cyclic’ 
 

Cyclic: The default value is cyclic which 
means the features will be looping over 
sequentially by default. 

Random: If we set the selection to random, 
a random coefficient will be updated every 
iteration.