要遍历逻辑回归参数以找到最佳模型，可以使用网格搜索（Grid Search）的方法。网格搜索通过指定参数的候选值列表，然后对每一组参数进行模型训练和评估，最后选择表现最好的参数组合。

以下是一个使用网格搜索的示例代码：

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

# 创建一个虚拟数据集
X, y = make_classification(n_samples=100, n_features=10, random_state=42)

# 定义逻辑回归模型
model = LogisticRegression()

# 定义要调整的参数及其候选值
param_grid = {
    'penalty': ['l1', 'l2'],
    'C': [0.1, 1, 10],
    'solver': ['liblinear', 'saga']
}

# 使用网格搜索进行参数调整
grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=5)
grid_search.fit(X, y)

# 打印最佳参数组合和模型评分
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

这段代码中，我们使用了scikit-learn库的LogisticRegression模型和GridSearchCV类。首先，我们创建了一个虚拟数据集X和y。然后，我们定义了逻辑回归模型model。接下来，我们指定了要调整的参数及其候选值，包括正则化类型（penalty）、正则化强度（C）和求解器（solver）。

然后，我们使用GridSearchCV类创建了一个网格搜索对象grid_search，并将模型和参数候选范围传递给它。接着，我们使用虚拟数据集X和y来拟合网格搜索对象，它将对每一组参数进行模型训练和评估。最后，我们打印出最佳参数组合和最佳模型评分。

需要注意的是，由于随机数的影响，每次运行网格搜索可能会得到不同的最佳参数组合和模型评分。因此，无法复制完全相同的结果。然而，网格搜索的目的是找到最佳参数组合，以获得最佳性能的模型。