解释缩放特征的逻辑回归系数

Question

我正在使用逻辑回归来估计足球/足球进球的可能性。我有5个功能。我的目标值为1（目标）或0（无目标）。

通常，我必须先调整特征，然后再拟合模型。我使用了MinMaxScaler，它按如下所示缩放[0-1]范围内的所有功能： X_scaled =（x-x_min）/（x_max-x_min）

我的逻辑回归模型的系数如下：

coef = [[-2.26286643 4.05722387 0.74869811 0.20538172 -0.49969841]]

我的第一个想法是第二个功能最重要，其次是第一个。总是这样吗？

我读到“换句话说，对于“第二个特征”增加一个单位，预期对数优势的变化为4.05722387。”在this site上，但是在那里，它们的特征被标准化为平均值50和一些标准偏差。

如果我不按比例缩放特征，则模型的系数如下：

coef = [[-0.04743728 0.04394143 -0.00247654 0.23769469 -0.55051824]]

现在看来，第一个功能比第二个功能更重要。我在有关我的主题的文献中读到，这确实是正确的。所以这使我迷惑了。

我的问题是：

• 我的哪些功能最重要，什么/为什么是找到它的最佳方法？
• 如何解释缩放系数的含义？例如。功能1的每增加1米意味着什么？我可以在MinMaxScaler中扔1米，看看结果如何，并将其用作“一个增量”吗？
• 确实可以将最终概率计算为y = 1/(1 + exp(-fx))和fx = intercept + feature1*coef1 + feature2*coef2 + ... （所有特征均已缩放）。

Answer 1

我的哪些功能最重要，什么是最好的方法？为什么？

查看边际效应计算的几种版本。例如，请参见overview/discussion in a blog Stata's example resources for R

如何解释换算系数的含义？例如。功能1的每增加1米意味着什么？我可以在MinMaxScaler中扔1米，看看结果如何，并将其用作“一个增量”吗？

解释取决于您计算的边际效应。当您谈论X的一个单位增加/减少概率或优势比等的变化时，只需要考虑缩放即可。

是否真的可以将最终概率计算为y = 1 /（1 + exp（-fx）），而fx =截距+ feature1 coef1 + feature2 coef2 + ...所有功能都按比例缩放）。

是的，只是特征x是按比例度量的。