于是我阅读了 scikit-learn 包 webpate：
我可以使用逻辑回归来拟合数据，在获得一个 LogisticRegression 实例后，我可以使用它对新的数据点进行分类。到目前为止，一切都很好。
有没有办法设置 LogisticRegression() 实例的系数？因为在我获得训练好的系数后，我想使用相同的 API 对新的数据点进行分类。
或者也许其他人推荐了另一个具有更好 API 的 Python 机器学习包？
谢谢
【问题讨论】：
标签： python machine-learning scikits scikit-learn
确实，estimator.coef_ 和 estimator.intercept_ 属性是只读的 Python 属性，而不是通常的 Python 属性。它们的值来自estimator.raw_coef_数组，其内存布局直接映射底层liblinear逻辑回归的C++实现的预期内存布局，以避免在调用estimator.predict或estimator.predict_proba时出现任何参数的内存复制。
我同意拥有只读属性是一个限制，我们应该找到一种方法来摆脱这些属性，但是如果我们重构这个实现，我们还应该注意不要引入任何不必要的内存副本，这不是微不足道的在快速查看源代码之后。
我在追踪器上打开了an issue，不要忘记这个限制。
同时你可以阅读@property注解estimator.coef_方法来了解estimator.coef_和estimator.raw_coef_是如何关联的，并直接更改estimator.raw_coef_中的值。
【讨论】：
系数是估计器对象的属性——你在实例化 Logistic 回归类时创建的——所以你可以用普通的 python 方式访问它们：
>>> import numpy as NP
>>> from sklearn import datasets
>>> from sklearn import datasets as DS
>>> digits = DS.load_digits()
>>> D = digits.data
>>> T = digits.target
>>> # instantiate an estimator instance (classifier) of the Logistic Reg class
>>> clf = LR()
>>> # train the classifier
>>> clf.fit( D[:-1], T[:-1] )
LogisticRegression(C=1.0, dual=False, fit_intercept=True,
intercept_scaling=1, penalty='l2', tol=0.0001)
>>> # attributes are accessed in the normal python way
>>> dx = clf.__dict__
>>> dx.keys()
['loss', 'C', 'dual', 'fit_intercept', 'class_weight_label', 'label_',
'penalty', 'multi_class', 'raw_coef_', 'tol', 'class_weight',
'intercept_scaling']
这就是获得系数的方法，但如果您只想使用这些系数进行预测，更直接的方法是使用估计器的预测 方法：
>>> # instantiate the L/R classifier, passing in norm used for penalty term
>>> # and regularization strength
>>> clf = LR(C=.2, penalty='l1')
>>> clf
LogisticRegression(C=0.2, dual=False, fit_intercept=True,
intercept_scaling=1, penalty='l1', tol=0.0001)
>>> # select some "training" instances from the original data
>>> # [of course the model should not have been trained on these instances]
>>> test = NP.random.randint(0, 151, 5)
>>> d = D[test,:] # random selected data points w/o class labels
>>> t = T[test,:] # the class labels that correspond to the points in d
>>> # generate model predictions for these 5 data points
>>> v = clf.predict(d)
>>> v
array([0, 0, 2, 0, 2], dtype=int32)
>>> # how well did the model do?
>>> percent_correct = 100*NP.sum(t==v)/t.shape[0]
>>> percent_correct
100
【讨论】：