Python statsmodel.api 逻辑回归（Logit）答案

【问题标题】：Python statsmodel.api logistic regression (Logit)Python statsmodel.api 逻辑回归（Logit）
【发布时间】：2014-12-19 02:48:25
【问题描述】：

所以我正在尝试使用 python 的 statsmodels.api 进行预测，以对二元结果进行逻辑回归。我按照教程使用Logit。当我尝试对测试数据集进行预测时，每条记录的输出都是 0 到 1 之间的小数。它不应该给我零和一吗？还是我必须使用圆形函数或其他东西来转换这些。

请原谅这个问题的愚蠢。我盯着我的旅程。

【问题讨论】：

标签： python statistics statsmodels logistic-regression

【解决方案1】：

预测值是给定解释变量的概率，更准确地说是观察到 1 的概率。

要获得 0、1 的预测，您需要选择一个阈值，例如 0.5 表示相等的阈值，并将 1 分配给高于阈值的概率。

例如使用 numpy

predicted = results.predict(x_for_prediction)
predicted_choice = (predicted > threshold).astype(int)

【讨论】：

您好，感谢您对此的回复。 0.5 是最佳阈值还是有办法解决这个问题。
如果您需要一个 0 1 点的决策或分类，那么阈值将取决于您的损失函数。当我们选择 0 或 1 预测时，我们会以一定的概率犯错误。如果你的错误损失是对称的，当真值为 0 时选择 1，当真值为 1 时选择 0 具有相同的“成本”，那么选择 0.5 是最佳阈值。如果损失是不对称的，那么我们应该移动阈值以最小化预测损失。
您好，再次感谢您的回复。如何计算损失函数？ Logit 会为我做这件事，还是我必须自己写。我这与调用 fit() 方法时生成的报告有关。如果您能指导我访问任何在线资源，我将不胜感激。卡里姆
我的谈话迟到了，但我只想说，正确的方法似乎是从二项式（预测）分布中抽取样本，如下所述：stats.stackexchange.com/questions/46523/…

【解决方案2】：

如果响应是在解释为概率的单位区间上，除了考虑损失之外，另一个可能有帮助的观点是将其视为二项式结果，将其视为计数而不是伯努利。特别是，除了您的问题中的概率响应之外，在每种情况下是否有任何对应的试验次数？如果有，那么逻辑回归可以重新表示为二项式（计数）响应，其中（整数）计数将是四舍五入的预期值，通过概率和试验次数的乘积获得。

【讨论】：