scikit-learn 逻辑回归预测与自我实现不同

Posted 2023-03-12

【中文标题】scikit-learn 逻辑回归预测与自我实现不同

【英文标题】：scikit-learn Logistic Regression prediction not same as self-implementation

【发布时间】：2020-06-12 02:01:23

【问题描述】：

我使用 scikit-learn 的 LogisticRegression 分类器（多项式/多类）训练了一个模型。然后我将模型中的系数保存到文件中。接下来，我将系数加载到我自己的 softmax 实现中，这就是 scikit-learn's documentation 声称的用于多项式情况的逻辑回归分类器。但是，预测不一致。

使用 scikit-learn 训练 mlogit 模型

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
import json

# Split data into train-test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)

# Train model
mlr = LogisticRegression(random_state=21, multi_class='multinomial', solver='newton-cg')
mlr.fit(X_train, y_train)
y_pred = mlr.predict(X_test)

# Save test data and coefficients
json.dump(X_test.tolist(), open('X_test.json'), 'w'), indent=4)
json.dump(y_pred.tolist(), open('y_pred.json'), 'w'), indent=4)
json.dump(mlr.classes_.tolist(), open('classes.json'), 'w'), indent=4)
json.dump(mlr.coef_.tolist(), open('weights.json'), 'w'), indent=4)

通过Scipy自行实现softmax

from scipy.special import softmax
import numpy as np
import json

def predict(x, w, classes):
    z = np.dot(x, np.transpose(w))
    sm = softmax(z)
    return [classes[i] for i in sm.argmax(axis=1)]

x = json.load(open('X_test.json'))
w = json.load(open('weights.json'))
classes = json.load(open('classes.json'))

y_pred_self = predict(x, w, classes)

结果不匹配 本质上，当我比较 y_pred_self 和 y_pred 时，它们并不相同（大约 85% 相似）。

所以我的问题是 scikit-learn softmax 或 predict implementation 是否有一些非标准/隐藏的调整？

旁注：我也在 Ruby 中尝试了自我实现，它也给出了不正确的预测。

【参考方案1】：

乍一看，我发现了一些差异。请看以下几点：

1.正则化 根据docsscikit-learn 使用了正则化术语：

这个类实现了正则化逻辑回归 [...]。请注意，默认情况下会应用正则化。

因此，您可以从 scikit-learn 实现中停用正则化项，或者将正则化添加到您自己的实现中。

2。偏见 在文档中，您可以阅读到使用了偏见术语：

fit_interceptbool，默认=真 指定是否应将常数（也称为偏差或截距）添加到决策函数中。

因此，您可以在 scikit-learn 实施中停用偏差或将偏差项添加到您的实施中。

也许使用 scikit-learn 库中的知名数据集或提供您的数据集，这样更容易重现问题。让我知道它是如何工作的。

【讨论】：

很好的答案！解决方案是将偏差纳入计算。所以我通过json.dump(mlr.intercept_.tolist(), open('bias.json'), 'w'), indent=4) 保存了偏差值，并将predict(x, w, classes, bias) 函数的点积部分修改为z = np.dot(x, np.transpose(w))+bias。现在我在两种解决方案的预测之间都有 100% 的一致性！