如何获得多项逻辑回归的系数？

Question

我需要使用 sklearn 计算多元逻辑回归的系数：

X =

x1          x2          x3   x4         x5    x6
0.300000    0.100000    0.0  0.0000     0.5   0.0
0.000000    0.006000    0.0  0.0000     0.2   0.0
0.010000    0.678000    0.0  0.0000     2.0   0.0
0.000000    0.333000    1.0  12.3966    0.1   4.0
0.200000    0.005000    1.0  0.4050     1.0   0.0
0.000000    0.340000    1.0  15.7025    0.5   0.0
0.000000    0.440000    1.0  8.2645     0.0   4.0
0.500000    0.055000    1.0  18.1818    0.0   4.0

y 的值在 [1; 4]。

y =

1
2
1
3
4
1
2
3

这就是我的工作：

import pandas as pd
from sklearn import linear_modelion
from sklearn.metrics import mean_squared_error, r2_score
import numpy as np

h = .02

logreg = linear_model.LogisticRegression(C=1e5)

logreg.fit(X, y)

# print the coefficients
print(logreg.intercept_)
print(logreg.coef_)

但是，我在logreg.intercept_ 的输出中得到 6 列，在logreg.coef_ 的输出中得到 6 列我怎样才能得到每个特征的 1 个系数，例如a - f 值？

y = a*x1 + b*x2 + c*x3 + d*x4 + e*x5 + f*x6

另外，可能我做错了什么，因为y_pred = logreg.predict(X) 为我提供了所有行的1 值。

Answer 1

查看the online documentation:

coef_ ：数组、形状(1, n_features) 或(n_classes, n_features)

决策函数中特征的系数。

coef_ 的形状为 (1, n_features) 当给定的问题是二元问题时。

正如@Xochipilli 已经在 cmets 中提到的那样，您将拥有 (n_classes, n_features) 或在您的情况下为 (4,6) 系数和 4 个截距（每个类一个）

可能我做错了什么，因为y_pred = logreg.predict(X) 为我提供了所有行的1 值。

是的，您不应尝试使用已用于训练模型进行预测的数据。将您的数据拆分为训练和测试数据集，使用训练数据集训练您的模型并使用测试数据集检查其准确性。