Bu iki kütüphanenin lojistik regresyonundan elde edilen çıkışın neden farklı sonuçlar verdiğini anlamaya çalışıyorum.
Veri setini UCLA idre öğreticisinden kullanıyorum , ve admit
dayanarak tahmin ediyorum . kategorik değişken olarak kabul edilir, bu nedenle ilk önce bırakılan kukla değişkene dönüştürülür . Bir engelleme sütunu da eklenir.gre
gpa
rank
rank
rank_1
df = pd.read_csv("https://stats.idre.ucla.edu/stat/data/binary.csv")
y, X = dmatrices('admit ~ gre + gpa + C(rank)', df, return_type = 'dataframe')
X.head()
> Intercept C(rank)[T.2] C(rank)[T.3] C(rank)[T.4] gre gpa
0 1 0 1 0 380 3.61
1 1 0 1 0 660 3.67
2 1 0 0 0 800 4.00
3 1 0 0 1 640 3.19
4 1 0 0 1 520 2.93
# Output from scikit-learn
model = LogisticRegression(fit_intercept = False)
mdl = model.fit(X, y)
model.coef_
> array([[-1.35417783, -0.71628751, -1.26038726, -1.49762706, 0.00169198,
0.13992661]])
# corresponding to predictors [Intercept, rank_2, rank_3, rank_4, gre, gpa]
# Output from statsmodels
logit = sm.Logit(y, X)
logit.fit().params
> Optimization terminated successfully.
Current function value: 0.573147
Iterations 6
Intercept -3.989979
C(rank)[T.2] -0.675443
C(rank)[T.3] -1.340204
C(rank)[T.4] -1.551464
gre 0.002264
gpa 0.804038
dtype: float64
Çıktı statsmodels
idre web sitesinde gösterilenle aynıdır, ancak neden scikit-learn'ın farklı bir katsayılar kümesi ürettiğinden emin değilim. Bazı farklı kayıp fonksiyonlarını en aza indirir mi? Uygulamayı belirten herhangi bir belge var mı?
glmnet
R'deki paketi kullanarak kopyalamaya çalıştım , ancak aynı katsayıyı alamadım. glmnet karşılaştırarak biraz daha farklı bir maliyet işlevi vardır sklearn ama set bilealpha=0
içindeglmnet
ve set (sadece l2-ceza kullanmak anlamına gelir)1/(N*lambda)=C
, hala aynı sonucu alamadım?