python - 将 sklearn 逻辑回归转换为 statsmodel 逻辑回归
问题描述
我正在通过重复的 kfold 交叉验证优化 sklearn 中的逻辑回归。我想检查置信区间,并且根据其他堆栈交换答案,从 statsmodels 获取该信息似乎更容易。
虽然来自 sklearn 的基础,但 statsmodels 是不透明的。如何将逻辑回归的优化设置转换为 statsmodels。诸如 L2 惩罚、C 值、拦截等之类的东西?
我做了一些研究,看起来 statsmodel 通过 GLM Binomials 间接支持 L2。C 值需要从 C 转换为 alpha(无论这意味着什么),我对如何指定截距只有一个模糊的想法(看起来它与 add_constant 函数有关)。
有人可以举一个如何将这种翻译成statsmodels的例子吗?我敢肯定,一旦我看到它完成了,很多它会自然而然地在我脑海中浮现。
解决方案
推荐阅读
- php - 在每个目录形式 foreach 中添加文件
- python - 使用 DolphinDB Python API 时如何保持时间索引
- javascript - 设置一个布尔值:一个有条件的函数与两个独立的函数
- javascript - React.js - 将道具从 hoc 传递给孩子
- servicestack - ServiceStack OrmLite-Oracle:无法插入具有序列属性的对象
- ios - 保存 RealmSwift 不支持的属性
- php - AJAX 无法加载状态为 500 的服务器
- haskell - 为里面的辅助函数添加类型签名
- html - 如何将多行文本对齐为表格的列
- python - `(?P
...) ` 和 `\g ` 在 re 模块中