我正在尝试计算观察的每个属性对逻辑回归给出的最终概率的贡献程度。我已经在我的数据集上训练了 python sklearn 逻辑回归。现在我正在使用它对实时数据集进行预测。我想知道每个属性（X）对 sklearns predict_proba 方法给出的最终预测有多大贡献。
这是logreg计算概率的公式。
ln p/(1-p)=α+ β^T X
p;为 1 的概率 α；偏见 β^T;转置系数 X;属性值
【问题讨论】：
标签： python machine-learning scikit-learn statistics logistic-regression
假设二元逻辑回归很容易；您对输入的每个特征都有权重，在训练后会增加或减少概率。
假设您有4 功能并输出0 或1。假设在训练之后，这些特征的系数分别是：
[0.0, -2.2, 1.3, -0.45]
在这里，您可以很容易地看到，如果特定示例的输入特征大于零（或者换句话说，特征 2与概率正相关）。
另一方面，第一个特征 (-2.2) 与概率负相关，而第零个特征无论其值如何都对概率结果没有影响。
您可以通过发布获得这些系数/权重
clf.coeffs_
前提是您的LogisticRegression 被命名为clf。
一般来说，多项逻辑回归会有一个特征矩阵，每一行代表一个标签的概率。
再一次，假设您要将输入分类为5 类和34 输入特征之一，并假设学习的权重矩阵如下所示：
[
[0.1, 2.2, -0.1, 0.133], # Features of class 0
[-2, -1.1, 0, 4.56],
[-0.1, 0, 0.3, 0.4],
[3.3, -2, 15, -9.4],
[0.45, 0.5, 0.66, 5.5],
]
现在您可以应用与上述相同的想法；让我们看看每个4 特征如何影响输出标签3 的概率，所以我们采用这一行：
[3.3, -2, 15, -9.4]
您可以看到特征0和2与输出标签3的概率呈正相关，而特征1和3则为负相关。
偏见贡献了先验知识。假设所有权重都为零。在二进制情况下，只有一个偏差，因此它要么输出小（负偏差）概率，要么输出大（正偏差）概率。
在多项式情况下，每个类都有一个偏差，但它的工作原理相似。
您可以将权重归一化到[-1, 1] 范围内，最大的负权重对输出零概率的影响最大，最大的正权重对输出一的概率影响最大。
【讨论】：
0.8 概率。