5

我正在使用python自学一些逻辑回归。我正在尝试将此处演练中的课程应用于此处的维基百科条目中的小数据集。

有些事情似乎不太对劲。Wikipedia 和 Excel Solver（使用本视频中的方法验证）给出截距 -4.0777 和系数 1.5046，但我从 github 示例构建的代码分别输出 -0.924200 和 0.756024。

我尝试使用的代码如下。有什么明显的错误吗？

import numpy as np
import pandas as pd
from patsy import dmatrices
from sklearn.linear_model import LogisticRegression


X = [0.5,0.75,1.0,1.25,1.5,1.75,1.75,2.0,2.25,2.5,2.75,3.0,3.25,
3.5,4.0,4.25,4.5,4.75,5.0,5.5]
y = [0,0,0,0,0,0,1,0,1,0,1,0,1,0,1,1,1,1,1,1]

zipped = list(zip(X,y))
df = pd.DataFrame(zipped,columns = ['study_hrs','p_or_f'])

y, X = dmatrices('p_or_f ~ study_hrs',
                  df, return_type="dataframe")

y = np.ravel(y)

model = LogisticRegression()
model = model.fit(X,y)
print(pd.DataFrame(np.transpose(model.coef_),X.columns))

>>>
                  0
Intercept -0.924200
study_hrs  0.756024
4

1 回答 1

14

解决方案

只需将模型创建行更改为

model = LogisticRegression(C=100000, fit_intercept=False)

问题分析

默认情况下，sklearn 解决正则化 LogisticRegression，具有拟合强度C=1（小 C-大正则化，大 C-小正则化）。

此类使用 liblinear 库、newton-cg 和 lbfgs 求解器实现正则化逻辑回归。它可以处理密集和稀疏输入。使用包含 64 位浮点数的 C 有序数组或 CSR 矩阵以获得最佳性能；任何其他输入格式都将被转换（和复制）。

因此，要获得他们的模型，您应该适合

model = LogisticRegression(C=1000000)

这使

Intercept -2.038853 # this is actually half the intercept
study_hrs  1.504643 # this is correct

此外，问题还在于您在 patsy 中处理数据的方式，请参阅简化的正确示例

import numpy as np
from sklearn.linear_model import LogisticRegression

X = [0.5,0.75,1.0,1.25,1.5,1.75,1.75,2.0,2.25,2.5,2.75,3.0,3.25,
3.5,4.0,4.25,4.5,4.75,5.0,5.5]
y = [0,0,0,0,0,0,1,0,1,0,1,0,1,0,1,1,1,1,1,1]

X = np.array([[x] for x in X])
y = np.ravel(y)

model = LogisticRegression(C=1000000.)
model = model.fit(X,y)

print('coef', model.coef_)
print('intercept', model.intercept_)

给

coef [[ 1.50464059]]
intercept [-4.07769916]

究竟是什么问题？默认情况下，将dmatrices输入数据嵌入一列（偏差）

X = [0.5,0.75,1.0,1.25,1.5,1.75,1.75,2.0,2.25,2.5,2.75,3.0,3.25,
3.5,4.0,4.25,4.5,4.75,5.0,5.5]
y = [0,0,0,0,0,0,1,0,1,0,1,0,1,0,1,1,1,1,1,1]

zipped = list(zip(X,y))
df = pd.DataFrame(zipped,columns = ['study_hrs','p_or_f'])

y, X = dmatrices('p_or_f ~ study_hrs',
                  df, return_type="dataframe")

print(X)

这导致

    Intercept  study_hrs
0           1       0.50
1           1       0.75
2           1       1.00
3           1       1.25
4           1       1.50
5           1       1.75
6           1       1.75
7           1       2.00
8           1       2.25
9           1       2.50
10          1       2.75
11          1       3.00
12          1       3.25
13          1       3.50
14          1       4.00
15          1       4.25
16          1       4.50
17          1       4.75
18          1       5.00
19          1       5.50

这就是为什么产生的偏差只是真正的一半的原因 - scikit 学习还添加了一列...所以你现在有两个偏差，因此最佳解决方案是给每个偏差一半的权重，这将是给一个人。

那你能做什么？

  • 不要以这种方式使用 patsy
  • 禁止 patsy 添加偏见
  • 告诉 sklearn 不要添加偏见

.

import numpy as np
import pandas as pd
from patsy import dmatrices
from sklearn.linear_model import LogisticRegression

X = [0.5,0.75,1.0,1.25,1.5,1.75,1.75,2.0,2.25,2.5,2.75,3.0,3.25,
3.5,4.0,4.25,4.5,4.75,5.0,5.5]
y = [0,0,0,0,0,0,1,0,1,0,1,0,1,0,1,1,1,1,1,1]

zipped = list(zip(X,y))
df = pd.DataFrame(zipped,columns = ['study_hrs','p_or_f'])

y, X = dmatrices('p_or_f ~ study_hrs',
                  df, return_type="dataframe")

y = np.ravel(y)

model = LogisticRegression(C=100000, fit_intercept=False)
model = model.fit(X,y)
print(pd.DataFrame(np.transpose(model.coef_),X.columns))

给

Intercept -4.077571
study_hrs  1.504597

如预期的

于 2015-12-04T17:08:09.827 回答