Sto cercando di capire perché l'output della regressione logistica di queste due librerie dia risultati diversi.
Sto usando il set di dati da UCLA Idre esercitazione , predicendo admit
basa sulla gre
, gpa
e rank
. rank
viene trattato come variabile categoriale, quindi viene prima convertito in variabile fittizia con rank_1
eliminato. Viene inoltre aggiunta una colonna di intercettazione.
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
L'output da statsmodels
è lo stesso mostrato sul sito Web di Idre, ma non sono sicuro del motivo per cui scikit-learn produce un diverso insieme di coefficienti. Riduce al minimo alcune diverse funzioni di perdita? Esiste una documentazione che attesti l'implementazione?
glmnet
pacchetto in R, ma non sono riuscito a ottenere lo stesso coefficiente. glmnet ha una funzione di costo leggermente diverso confronto con sklearn , ma anche se ho impostatoalpha=0
inglmnet
(che significa utilizzare solo l2-penalità) e insieme1/(N*lambda)=C
, io ancora non ottenere lo stesso risultato?