Scikit-Learn

. 
 
S
tream_model.named_steps['linear'].coef_
 
Output 
array([ 3., -2., 1., -1.])
The above output shows that the linear model trained on polynomial features is able to 
recover the exact input polynomial coefficients. 

---

Scikit-Learn
57 
Here, we will learn about an optimization algorithm in Sklearn, termed as Stochastic 
Gradient Descent (SGD). 
Stochastic Gradient Descent (SGD) is a simple yet efficient optimization algorithm used to 
find the values of parameters/coefficients of functions that minimize a cost function. In 
other words, it is used for discriminative learning of linear classifiers under convex loss 
functions such as SVM and Logistic regression. It has been successfully applied to large-
scale datasets because the update to the coefficients is performed for each training 
instance, rather than at the end of instances. 
SGD Classifier 
Stochastic Gradient Descent (SGD) classifier basically implements a plain SGD learning 
routine supporting various loss functions and penalties for classification. Scikit-learn 
provides 
SGDClassifier
module to implement SGD classification.
Parameters 
Followings table consist the parameters used by 
SGDClassifier 
module: 
Parameter 
Description 
loss
: str, default = 
‘hinge’
 
It represents the loss function to be used while implementing. The default 
value is ‘hinge’ which will give us a linear SVM. The other options which 
can be used are: 

log
: This loss will give us logistic regression i.e. a probabilistic 
classifier. 

modified_huber
: a smooth loss that brings tolerance to outliers 
along with probability estimates. 
