Question

我试图用SKLearn做一个LR，用于一个相当大的数据集，其中有600个虚拟数据集，只有几个区间变量（我的数据集中有300 K行），结果混淆矩阵看起来很可疑。我想检查返回系数和ANOVA的重要性，但我找不到如何访问它。有可能吗？对于包含大量虚拟变量的数据，最佳策略是什么？非常感谢！

Answer 1

Scikit-learn故意不支持统计推断。如果您想要开箱即用的系数显着性测试（以及更多），您可以使用 Statsmodels 中的Logit估算工具。这个包模仿了R中的接口glm模型，所以你会发现它很熟悉。

如果你仍然想坚持使用scikit-learn LogisticRegression，你可以使用asymtotic近似来分配最大的可能性估计值。准确地说，对于最大似然估计的向量theta，其方差 - 协方差矩阵可以估计为inverse(H)，其中H是theta的对数似然的Hessian矩阵。。这正是以下函数的作用：

import numpy as np
from scipy.stats import norm
from sklearn.linear_model import LogisticRegression

def logit_pvalue(model, x):
    """ Calculate z-scores for scikit-learn LogisticRegression.
    parameters:
        model: fitted sklearn.linear_model.LogisticRegression with intercept and large C
        x:     matrix on which the model was fit
    This function uses asymtptics for maximum likelihood estimates.
    """
    p = model.predict_proba(x)
    n = len(p)
    m = len(model.coef_[0]) + 1
    coefs = np.concatenate([model.intercept_, model.coef_[0]])
    x_full = np.matrix(np.insert(np.array(x), 0, 1, axis = 1))
    ans = np.zeros((m, m))
    for i in range(n):
        ans = ans + np.dot(np.transpose(x_full[i, :]), x_full[i, :]) * p[i,1] * p[i, 0]
    vcov = np.linalg.inv(np.matrix(ans))
    se = np.sqrt(np.diag(vcov))
    t =  coefs/se  
    p = (1 - norm.cdf(abs(t))) * 2
    return p

# test p-values
x = np.arange(10)[:, np.newaxis]
y = np.array([0,0,0,1,0,0,1,1,1,1])
model = LogisticRegression(C=1e30).fit(x, y)
print(logit_pvalue(model, x))

# compare with statsmodels
import statsmodels.api as sm
sm_model = sm.Logit(y, sm.add_constant(x)).fit(disp=0)
print(sm_model.pvalues)
sm_model.summary()

print()的输出是相同的，它们恰好是系数p值。

[ 0.11413093  0.08779978]
[ 0.11413093  0.08779979]

sm_model.summary()还会打印格式正确的HTML摘要。

scikit learn：如何检查系数的意义

1 个答案: