更改模型的拦截是否会改变其精度和召回？

Question

为简单起见 - 只需设置一个非常基本的逻辑回归

P > 0

进行分析，为预测概率创建from sklearn.linear_model import SGDClassifier from sklearn.metrics import roc_auc_score, roc_curve, precision_recall_curve, classification_report train_grad_des = SGDClassifier(alpha=alpha_optimum, l1_ratio=l1_optimum, loss='log') train_grad_des.fit(train_x, train_y) 数组

score_y

如果我设置score_y = train_grad_des.predict_proba(test_x) precision, recall, thresholds = precision_recall_curve(test_y, score_y[:,1], pos_label=1) ，会改变train_grad_des.intercept_ = 100返回的概率吗？

似乎概率不应该改变，他们只会全部被移动＆＃39; over＆＃39;在一个方向。如果返回的概率保持不变，那么精度和不同阈值下的召回率是否也保持不变？

我一直用模型对此进行测试，并且发现当我改变拦截时精确度和召回率发生了巨大变化，但我不清楚这是否应该发生，如果是这样的话应该，为什么呢。

Answer 1

为什么概率不应该改变？如果我们剥离一些层并查看适合的模型（使用一个协变量的二元逻辑回归）：

logit(p(y = 1|x)) = alpha + beta*x

其中logit是支持在第1类中的对数赔率，即：

logit(p(Y=1)) = log( p(Y=1)/p(Y=0) )

您可以将alpha（拦截）本身解释为属于某个类的先验概率。因此，如果您更改alpha，您可以预期更改日志赔率，以支持加入第1级。

另一种看待它的方式：

p(y=1|x) = 1 / (1 + e^(-(alpha + beta*x)))

显然，如果我改变alpha，我的概率就会改变。