Я провел несколько экспериментов с логистической регрессией в R, Python statmodels и sklearn. Хотя результаты, приведенные R и statmodels, согласуются, существует некоторое несоответствие с тем, что возвращается sklearn. Хотелось бы понять, почему эти результаты отличаются. Я понимаю, что это, вероятно, не те же алгоритмы оптимизации, которые используются под дерево.

в частности, я использую стандартные Default dataset (используется в ISL книга). Этот следующий код Python считывает данные в фрейм данных Default.

import pandas as pd
 # data is available here
Default = pd.read_csv('https://d1pqsl2386xqi9.cloudfront.net/notebooks/Default.csv', index_col=0)
 #
Default['default']=Default['default'].map({'No':0, 'Yes':1})
Default['student']=Default['student'].map({'No':0, 'Yes':1})
 #
I=Default['default']==0
print("Number of 'default' values :", Default[~I]['balance'].count())

количество значений по умолчанию: 333.

есть в общей сложности 10000 примеров, только с 333 позитивами

логистическая регрессия в R

Я использую следующие

library("ISLR")
data(Default,package='ISLR')
 #write.csv(Default,"default.csv")
glm.out=glm('default~balance+income+student', family=binomial, data=Default)
s=summary(glm.out)
print(s)
#
glm.probs=predict(glm.out,type="response") 
glm.probs[1:5]
glm.pred=ifelse(glm.probs>0.5,"Yes","No")
 #attach(Default)
t=table(glm.pred,Default$default)
print(t)
score=mean(glm.pred==Default$default)
print(paste("score",score))

результат выглядит следующим образом

вызов: glm (формула = "по умолчанию~баланс + доход + студент", семья = бином, данных = по умолчанию)

Отклонения Невязок: Min 1Q медиана 3Q Max
-2.4691 -0.1418 -0.0557 -0.0203 3.7383

коэффициенты:

Estimate Std. Error z value Pr(>|z|)        
(Intercept) -1.087e+01  4.923e-01 -22.080  < 2e-16 
balance      5.737e-03    2.319e-04  24.738  < 2e-16  
income       3.033e-06  8.203e-06   0.370   0.71152     
studentYes  -6.468e-01  2.363e-01  -2.738  0.00619  

(параметр дисперсии для биномиального семейства принимается равным 1)

Null deviance: 2920.6  on 9999  degrees of freedom Residual 

отклонение: 1571.5 на 9996 степенях свободы AIC: 1579.5

количество итераций подсчета очков Фишера: 8

     glm.pred   No  Yes
 No  9627  228
 Yes   40  105 

1 "результат 0.9732"

Я слишком ленив, чтобы вырезать и вставлять результаты, полученные с помощью statmodels. Достаточно сказать, что они чрезвычайно похожи на данные Р.--12-->

sklearn

для sklearn я запустил следующий код.

• существует параметр class_weight для учета несбалансированных классов. Я тестировал class_weight=none (нет weightening-я думаю, что по умолчанию в R), и class_weight='авто' (weightening с обратные частоты, найденные в данных)
• я также поставил C=10000, обратный параметру регуляризации, чтобы минимизировать эффект регуляризации.

~~

import sklearn
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix

features = Default[[ 'balance', 'income' ]]
target = Default['default']
# 
for weight in (None,  'auto'):
    print("*"*40+"nweight:",weight)

    classifier = LogisticRegression(C=10000, class_weight=weight, random_state=42) 
                #C=10000 ~ no regularization

    classifier.fit(features, target,)  #fit classifier on whole base
    print("Intercept", classifier.intercept_)
    print("Coefficients", classifier.coef_)

    y_true=target
    y_pred_cls=classifier.predict_proba(features)[:,1]>0.5
    C=confusion_matrix(y_true,y_pred_cls)

    score=(C[0,0]+C[1,1])/(C[0,0]+C[1,1]+C[0,1]+C[1,0])
    precision=(C[1,1])/(C[1,1]+C[0 ,1])
    recall=(C[1,1])/(C[1,1]+C[1,0])
    print("n Confusion matrix")
    print(C)
    print()
    print('{s:{c}<{n}}{num:2.4}'.format(s='Score',n=15,c='', num=score))
    print('{s:{c}<{n}}{num:2.4}'.format(s='Precision',n=15,c='', num=precision))
    print('{s:{c}<{n}}{num:2.4}'.format(s='Recall',n=15,c='', num=recall))

результаты приведены ниже.

> **************************************** 
>weight: None 
>
>Intercept [ -1.94164126e-06] 
>
>Coefficients [[ 0.00040756 -0.00012588]]
> 
>  Confusion matrix 
>
>     [[9664    3]  
>     [ 333    0]]
> 
>     Score          0.9664 
>     Precision      0.0 
>     Recall         0.0
>
> **************************************** 
>weight: auto 
>
>Intercept [-8.15376429] 
>
>Coefficients 
>[[  5.67564834e-03   1.95253338e-05]]
> 
>  Confusion matrix 
>
>     [[8356 1311]  
>     [  34  299]]
> 
>     Score          0.8655 
>     Precision      0.1857 
>     Recall         0.8979

Я вижу, что для class_weight=None, оценка отличная, но нет распознается положительный пример. Точность и отзыв равны нулю. Коэффициенты, найденные очень небольшой, особенно перехват. Изменение C ничего не меняет. Для class_weight='auto' вещи кажутся лучше, но у меня все еще есть точность, которая очень низкая (слишком много положительных классифицированных). Опять же, изменение C не помогает. Если я изменю перехват вручную, я смогу восстановить результаты, данные R. поэтому я подозреваю, что здесь есть расхождение между оценкой интекептов в двух случаях. Как следствие в спецификации threeshold (аналог интерполяции pulations), это может объясните различия в выступлениях.

тем не менее, я бы приветствовал любые советы по выбору между двумя решениями и помочь понять происхождение этих различий. Спасибо.