我很新到Python。我想获得一个回归的摘要像R.我已经创建x_train变量和y_train,我试图得到一个逻辑回归
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model
clf = linear_model.LogisticRegression(C=1e5)
clf.fit(x_train, y_train)
我得到的是:
LogisticRegression(C=100000.0, class_weight=None, dual=False,
fit_intercept=True, intercept_scaling=1, max_iter=100,
multi_class='ovr', n_jobs=1, penalty='l2', random_state=None,
solver='liblinear', tol=0.0001, verbose=0, warm_start=False)
我想有有意义的水平,R2 ECC摘要。
sklearn.feature_selection.f_regression
我建议采取看看sklearn.metrics.r2_score
库。 SK-学习是伟大的(和其他的答案提供方法来获得在R2和其他指标),但statsmodels
提供了一个回归总结非常相似,你可能会在河中使用的一个
举个例子:
statsmodels
如果你想添加的,而不是Logit模型初始化,您可以拨打import statsmodels.api as sm
from sklearn.datasets import make_blobs
x, y = make_blobs(n_samples=50, n_features=2, cluster_std=5.0,
centers=[(0,0), (2,2)], shuffle=False, random_state=12)
logit_model = sm.Logit(y, sm.add_constant(x)).fit()
print logit_model.summary()
Optimization terminated successfully.
Current function value: 0.620237
Iterations 5
Logit Regression Results
==============================================================================
Dep. Variable: y No. Observations: 50
Model: Logit Df Residuals: 47
Method: MLE Df Model: 2
Date: Wed, 28 Dec 2016 Pseudo R-squ.: 0.1052
Time: 12:58:10 Log-Likelihood: -31.012
converged: True LL-Null: -34.657
LLR p-value: 0.02611
==============================================================================
coef std err z P>|z| [95.0% Conf. Int.]
------------------------------------------------------------------------------
const -0.0813 0.308 -0.264 0.792 -0.684 0.522
x1 0.1230 0.065 1.888 0.059 -0.005 0.251
x2 0.1104 0.060 1.827 0.068 -0.008 0.229
==============================================================================
并传递阿尔法参数(正规化强度)后调用.fit()
正规化。如果你这样做,请记住,在SK-学习.fit_regularized()
paramater实际上是正规化强度的倒数。
您可以拨打C
获得R2。
意义不是直接由sklearn提供,但以回答clf.score(test_samples, true_values)
这here。
code
这是一个非常使用全包谁是非常使用于R模型总结一次
欲了解更多信息请参考下面的文章:
import statsmodels.api as sm
x_train1 = sm.add_constant(x_train1)
lm_1 = sm.OLS(y_train, x_train1).fit()
lm_1.summary()