Scikit-Learn

squared_hinge
: similar to ‘hinge’ loss but it is quadratically 
penalized. 

perceptron
: as the name suggests, it is a linear loss which is used 
by the perceptron algorithm.
penalty
: str, ‘none’, 
‘l2’, ‘l1’, ‘elasticnet’
 
It is the regularization term used in the model. By default, it is L2. We can 
use L1 or ‘elasticnet; as well but both might bring sparsity to the model, 
hence not achievable with L2. 
alpha
: float, default 
= 0.0001 
Alpha, the constant that multiplies the regularization term, is the tuning 
parameter that decides how much we want to penalize the model. The 
default value is 0.0001. 
8.
 
Scikit-Learn ― Stochastic Gradient Descent 

---

Scikit-Learn
58 
l1_ratio
: 
float, 
default = 0.15 
This is called the ElasticNet mixing parameter. Its range is 0 < = l1_ratio 
< = 1. If l1_ratio = 1, the penalty would be L1 penalty. If l1_ratio = 0, 
the penalty would be an L2 penalty.
fit_intercept
: 
Boolean, 
Default=True 
This parameter specifies that a constant (bias or intercept) should be 
added to the decision function. No intercept will be used in calculation and 
data will be assumed already centered, if it will set to false.
tol
: float or none, 
optional, default = 
1.e-3 
This parameter represents the stopping criterion for iterations. Its default 
value is False but if set to None, the iterations will stop when 
𝒍𝒐𝒔𝒔 >
𝒃𝒆𝒔𝒕_𝒍𝒐𝒔𝒔 − 𝒕𝒐𝒍 
for 
𝒏_𝒊𝒕𝒆𝒓_𝒏𝒐_𝒄𝒉𝒂𝒏𝒈𝒆
successive epochs.
shuffle
: 
Boolean, 
optional, default = 
True
This parameter represents that whether we want our training data to be 
shuffled after each epoch or not.