Scikit-Learn

power_t
: double, 
default =0.5 
It is the exponent for ‘incscalling’ learning rate. 
early_stopping
: 
bool, default = False 
This parameter represents the use of early stopping to terminate training 
when validation score is not improving. Its default value is false but when 
set to true, it automatically set aside a stratified fraction of training data 
as validation and stop training when validation score is not improving. 
validation_fractio
n
: float, default = 
0.1 
It is only used when early_stopping is true. It represents the proportion 
of training data to set asides as validation set for early termination of 
training data. 
n_iter_no_change
: int, default=5 
It represents the number of iteration with no improvement should 
algorithm run before early stopping. 
classs_weight
: 
dict, {class_label: 
weight} 
or 
“balanced”, 
or 
None, optional 
This parameter represents the weights associated with classes. If not 
provided, the classes are supposed to have weight 1. 
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.
average
: Boolean 
or 
int, 
optional, 
default = false 
Its default value is False but when set to True, it calculates the averaged 
Stochastic Gradient Descent weights and stores the result in the coef_ 
attribute. On the other hand, if its value set to an integer greater than 1, 
the averaging will begin once the total number of samples seen reaches.