通常情况下，当优化算法不收敛时，通常是因为问题的条件不好，可能是由于决策变量的尺度不好。您可以尝试以下几种方法。
1.规范化训练数据，以便问题有望得到更好的处理，从而加快收敛速度。一种可能性是使用Scikit-Learn's StandardScaler将数据缩放为0平均值，单位标准差。请注意，必须将训练数据上拟合的StandardScaler应用于测试数据。此外，如果具有离散要素，确保它们被适当地变换，以便缩放它们是有意义的。
1.与1）相关，请确保其他参数（如正则化权重C）设置正确。C必须〉0。通常，您会尝试对数标度中C的各种值（1e-5、1e-4、1e-3、...、1、10、100、...），然后在特定间隔内以更精细的粒度对其进行微调。如今，使用以下参数来微调参数可能更有意义，例如：使用Scikit-Optimize等包的贝叶斯优化。
1.将max_iter设置为更大的值。默认值为1000。这应该是您最后的手段。如果优化过程在前1000次迭代中没有收敛，通过设置较大的max_iter使其收敛通常掩盖了诸如1）和2）中所述的其它问题。它甚至可能表明你有一些合适的特性或者特性之间有很强的相关性。在采取这个简单的方法之前，先调试那些特性。
1.如果特征数〉示例数，则设置dual = True，反之亦然。这使用对偶公式解决了SVM优化问题。感谢@Nino van Hooff指出这一点，并感谢@JamesKo指出我的错误。
1.使用不同的解算器，例如，如果你使用逻辑回归，使用L-BFGS解算器。参见@5ervant的答案。

• • 注意：不应忽视此警告。**

发出这一警告是因为
1.求解线性SVM只是求解二次优化问题。求解器通常是保持解的运行估计值（即SVM的权重和偏差）的迭代算法。当解对应于对此凸优化问题最优的目标值时，或者当它达到最大迭代次数集时，它停止运行。
1.如果算法不收敛，则不能保证SVM参数的当前估计是好的，因此预测也可能是完全无用的。

• • 编辑**

此外，考虑@Nino van Hooff和@5ervant关于使用SVM的对偶公式的评论。如果您拥有的特征数D大于训练样本数N，这一点尤其重要。这就是SVM的对偶公式特别设计的目的，有助于优化问题的条件化。@5ervant注意到并指出了这一点。
此外，@5ervant还指出了改变求解器的可能性，特别是L-BFGS求解器的使用。这要归功于他（即，支持他的答案，而不是我的）。
我想为那些感兴趣的人（我是：）提供一个快速粗略的解释，为什么这在这种情况下很重要。二阶方法，特别是近似二阶方法，如L-BFGS解算器，将有助于病态问题，因为它在每次迭代时近似Hessian，并使用它来缩放梯度方向。这使它能够获得更好的收敛 * 速率 *，但每次迭代的计算成本可能更高。也就是说，它需要更少的迭代来完成，但每次迭代将比典型的一阶方法（如梯度下降或其变体）慢。
例如，典型的一阶方法可能在每次迭代时更新解，如下所示

x(k + 1) = x(k) - alpha(k) * gradient(f(x(k)))

其中α（k）是迭代k处的步长，取决于算法或学习速率调度的特定选择。
二阶方法，例如牛顿法，将具有更新方程

x(k + 1) = x(k) - alpha(k) * Hessian(x(k))^(-1) * gradient(f(x(k)))

也就是说，它使用Hessian中编码的局部曲率信息来相应地缩放梯度。如果问题是病态的，梯度将指向不理想的方向，逆Hessian缩放将有助于纠正这一点。
特别是，在@5ervant的答案中提到的L-BFGS是一种近似Hessian逆的方法，因为计算它可能是一个昂贵的操作。
然而，二阶方法可能比一阶方法收敛得更快（即需要更少的迭代），比如常见的基于梯度下降的求解器，正如你们所知，一阶方法有时甚至无法收敛，这可以补偿每次迭代所花费的时间。

总而言之，如果你有一个条件良好的问题，或者你可以通过其他方法使它条件良好，比如使用正则化和/或特征缩放和/或确保你的例子比特征多，你可能不必使用二阶方法。（例如，DL模型中的那些），二阶方法如L-BFGS方法在其中扮演了不同的角色，有证据表明，与一阶方法相比，它们有时可以找到更好的解决方案。

我达到了我设置的点，直到LinearSVC分类器上的max_iter=1200000，但仍然存在 “ConvergenceWarning”。我通过设置dual=False并将max_iter保留为默认值来修复此问题。
使用LogisticRegression(solver='lbfgs')分类器时，应增加max_iter。使用大数据集特征训练时，在 “ConvergenceWarning” 消失之前，我的分类器已达到max_iter=7600。

显式指定max_iter可解决警告问题，因为默认max_iter为100。[适用于Logistic回归]。

logreg = LogisticRegression(max_iter=1000)

请将max_iter增加到10000，因为默认值是1000。可能，增加迭代次数将有助于算法收敛。对我来说，它收敛了，求解器是-'lbfgs'

log_reg = LogisticRegression(solver='lbfgs',class_weight='balanced', max_iter=10000)

以下示例说明如何增加最大迭代次数并更改LogisticRegression对象中的求解器：

from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler

# Scale the data
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# Create the LogisticRegression object and set the solver and maximum number of iterations
logreg = LogisticRegression(solver='lbfgs', max_iter=10000)

# Fit the model to the data
logreg.fit(X_scaled, y)

附加事项：
如果有人在传递GridSearchCV对象时遇到错误，请按照示例代码增加最大迭代次数并更改求解器，

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV

lr = LogisticRegression(solver='lbfgs',max_iter=10000)
parameters = {
    'C': [0.001,0.01,0.1,1,10,100,1000],
}

cv = GridSearchCV(lr, parameters, cv=5)
cv.fit(tr_features, tr_labels.values.ravel())