高质量的logistic回归模型包含各种期望的特性：预测能力、可解释性、显著性、对数据错误的鲁棒性和稀疏性等。为了实现这些相互竞争的目标，建模者在磨合最终模型时会迭代地合并这些属性。在1991年至2015年期间，混合整数线性优化（MILO）算法的进步，加上硬件的改进，使得MILO问题的求解速度惊人地提高了4500亿因子。基于这种加速，我们提出用混合整数非线性优化（MINLO）方法对逻辑回归问题进行算法建模，以便以联合而非顺序的方式明确地合并这些属性。生成的MINLO是灵活的，可以根据建模者的需要进行调整。通过使用真实数据和合成数据，我们证明了总体方法普遍适用，并在现实的时间范围内提供了高质量的解决方案，同时保证了次优性。当MINLO不可行时，我们得到了一个保证，即强加不同的统计特性根本不可行。