我对我的数据拟合了逻辑回归模型。想象一下，我有四个特征：参与者接受的条件，参与者是否对被测现象有任何先验知识/背景（实验后调查表中的二进制响应），在实验任务上花费的时间以及参与者的年龄。我试图预测参与者最终选择了选项A还是选择选项B。我的逻辑回归使用clf.coef_输出以下特征系数：
[[-0.68120795 -0.19073737 -2.50511774 0.14956844]]
如果选项A是我的肯定类，此输出是否表示特征3是二进制分类中最重要的特征，并且与选择选项A的参与者有负相关关系（注意：我尚未对数据进行归一化/重新缩放） ？我想确保我对系数的理解以及可以从中提取的信息是正确的，因此我在分析中不会做任何概括或错误的假设。
感谢您的帮助！
答案 0 :(得分：1)
您正在那里找到正确的路。如果一切都非常相似，那么在所有条件相同的情况下，更大的正负系数意味着更大的影响。
但是，如果您的数据未进行标准化，则Marat是正确的，因为系数的大小并不表示任何含义（无上下文）。例如，通过将度量单位更改为较大或较小，可以得到不同的系数。
我看不到这里是否包含非零截距，但是请记住，逻辑回归系数实际上是比值比，您需要将它们转换为概率，以得到更直接可解释的东西。 / p>
查看此页面以获得良好的解释： https://stats.idre.ucla.edu/other/mult-pkg/faq/general/faq-how-do-i-interpret-odds-ratios-in-logistic-regression/
答案 1 :(得分：0)
逻辑回归以对数赔率形式返回信息。因此，您必须先使用 np.exp 将对数赔率转换为赔率，然后再取 odds/(1 + odds)。
要转换为概率，请使用列表推导并执行以下操作：
[np.exp(x)/(1 + np.exp(x)) for x in clf.coef_[0]]
这个页面在 R 中有一个解释，用于转换我引用的对数赔率： https://sebastiansauer.github.io/convert_logit2prob/