logisticregression 默认 solver='lbfgs' 或 'newton-cg' 需缓存 hessian 矩阵，内存占用达 o(n_features²)，高维稀疏特征下极易暴涨；改用 solver='saga'、稀疏输入、fit_intercept=false、np.float32 类型可显著缓解。
逻辑回归训练时内存暴涨，LogisticRegression 默认配置为什么吃这么多内存？
默认情况下，LogisticRegression 使用 solver='lbfgs' 或 'newton-cg'，它们内部需要计算并缓存 Hessian 矩阵或其近似，对特征数 n_features 敏感——内存占用接近 O(n_features²)。如果你有 10 万维稀疏特征（比如 TF-IDF），即使数据本身只占几 MB，模型也可能吃掉几十 GB 内存。
改用 solver='saga' 并启用 max_iter 和 tol 控制迭代成本
saga 是唯一支持 L1 和混合正则、且内存开销为 O(n_samples + n_features) 的求解器，适合高维稀疏数据。但它默认不限制迭代次数，可能反复读取全量数据导致缓存堆积。
- 显式设置
max_iter=100（通常够用，避免死循环） - 调大
tol=1e-3（默认是1e-4，放宽收敛阈值可减少迭代轮次） - 务必传入
penalty='l1'或'elasticnet'时指定l1_ratio，否则saga会退回到l2模式但不报错 - 如果用
class_weight='balanced'，确保输入X是scipy.sparse矩阵，否则会触发稠密转换
强制使用稀疏矩阵输入，并禁用冗余数据拷贝
LogisticRegression 在预处理阶段会对非稀疏输入做隐式转换，中间产生临时稠密副本。哪怕你传的是 csr_matrix，若 fit_intercept=True（默认），它仍可能在中心化时转成稠密。
- 始终用
scipy.sparse.csr_matrix或csc_matrix构造X，别用numpy.array - 设
fit_intercept=False（除非你真需要截距项；可先用StandardScaler(with_mean=False)手动归一化） - 避免使用
sample_weight，它会迫使内部转成稠密数组；如必须加权，改用class_weight或重采样 - 检查
X.dtype：必须是np.float32（不是默认的float64），能直接减半内存
小批量训练替代：用 SGDClassifier 替换 LogisticRegression
当样本量超百万、特征超十万时，LogisticRegression 再怎么调参也难扛住。此时 SGDClassifier(loss='log_loss', penalty='l2') 是更务实的选择——它按 batch 流式更新，峰值内存基本只取决于 batch size 和特征维数。
- 用
learning_rate='adaptive'+eta0=0.01，比固定学习率更稳 - 设
early_stopping=True，配合validation_fraction=0.1，避免过拟合同时省掉手动调max_iter - 注意：
SGDClassifier不输出predict_proba的校准概率，默认是 Platt scaling，需额外加CalibratedClassifierCV，这会增加内存；若只需排序或阈值判断，直接用decision_function
真正卡内存的地方，往往不是算法本身，而是中间数据格式切换和默认参数组合。把 solver、input dtype、intercept 这三项对齐稀疏流式路径，80% 的内存问题就消失了。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
