在Python回归汇总

Question

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。

Answer 1

1. 对于显着性水平的获得可以使用qazxsw POI。
2. 为了获得R2可以使用sklearn.feature_selection.f_regression

Answer 2

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。

Answer 3

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。

Answer 4

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：

1. import statsmodels.api as sm      
   x_train1 = sm.add_constant(x_train1)
   lm_1 = sm.OLS(y_train, x_train1).fit()
   lm_1.summary()

2. statsmodels.api