如何为逻辑回归提供适当的初始猜测和界限？

Question

我正在尝试在Python中使用scipy.optimize来实现逻辑回归。当我尝试使用sklearn时，我了解了可用于预测给定数据集的beta值。但是，当我尝试在scipy优化函数中使用它时，代价值将变为无穷大，有时值也可以，但是截距不存在。原因是，界限和初步猜测似乎。如何制定呢？如果还有其他方法，请告诉我。

import scipy 
import numpy as np 


def sigmoid(x,beta):
    return((np.exp(np.dot(x, beta))/(1.0 + np.exp(np.dot(x, beta)))))

def mle(beta, x, y):
    return(-(np.sum(y*np.log(sigmoid(x, beta)) + (1-y)*(np.log(1-sigmoid(x,beta))))))

# x0 value ? and bounds ? 
result = scipy.optimize.minimize(mle, x0 = np.array([-.1]), args = (x,y))

没有拦截。数据框的形状为（100,2）。请指教

Answer 1

我刚刚添加了x = np.hstack（（np.ones（（x.shape [0]，1）），x）），这解决了这个问题。