我正在尝试将Excel模型转换为Python。该模型设置如下：
1-有3列A，B，C包含输入变量（列F包含目标变量）。我们想在逻辑函数中针对这些A，B和C列中的值学习系数。
2-那些列通过逻辑函数合并，并且其输出在列D中。
3-列E然后保存列D的Z分数。
4-最后，E列对D列的Z得分进行线性变换。
这是在Excel中通过求解器插件进行设置的，该插件可以找到导致列E与列F的平方误差之和最小的A，B，C系数。我想知道如何设置这样的值Python / scikit-learn / Statsmodels /其他Python包中的东西？
等式系列基本上看起来像这样：
1 / (1 + e^-(A + B + C)) -> X
z_score(X)*CONSTANT1 + CONSTANT2 -> estimate
CONSTANT1和CONSTANT2是事先已知的。
目标是使estimate与y之间的平方误差最小。
我在scikit中进行了回归分析，在此之前我简单地调用model.fit(X, y)，其中X是输入变量的某些序列，而y是目标输出变量。但是Excel模型中的步骤顺序似乎不适合简单的model.fit调用。我希望我可以用Python / Scikit写的代码看起来像这样：model.fit(z_score(logistic(A + B + C))*CONSTANT1 + CONSTANT2, y)，但是我认为这种事情在我所知道的任何Python软件包中都不合法（因为scikit想要第一个参数到model.fit为数字。
我正在尝试做的可能吗？另外，这种回归分析称为什么类型？我什至不知道该如何用Google来获取更多有关此的信息。
如果要在python + sk-learn中执行此操作，则应使用常规的拟合/预测方法。 LogisticRegression类具有可以返回的属性，例如LogisticRegression.coef_，它返回决策函数中要素的系数。
AFAIK，sk-learn无法返回z_scores，因为它实际上不支持统计推断（因为它是机器学习软件包，而不是统计软件包）。如果您确实需要Logistic回归的统计元素，那么使用Statsmodels可能会更好。请查看This问题以获取更多信息。
希望有所帮助