sklearn（scikit-learn）ロジスティック回帰パッケージ - 分類のための訓練された係数を設定します。

Question

は、だから私はscikit学習パッケージwebpate読み：

http://scikit-learn.sourceforge.net/dev/modules/generated/sklearn.linear_model.LogisticRegression.html

私はデータに合わせてロジスティック回帰を使用することができますが、私はロジスティック回帰のインスタンスを取得した後、私は新しいデータポイントを分類するためにそれを使用することができます。ここまでは順調ですね。

LogisticRegression（）インスタンスの係数を設定する方法はありますか？訓練された係数を取得した後、同じAPIを使用して新しいデータポイントを分類する必要があるためです。

他の人が、より優れたAPIを持つ別のPythonマシン学習パッケージをお勧めしますか？

おかげ

Answer 1

実際、estimator.coef_とestimator.intercept_属性は読み取り専用です代わりに、通常のPython属性のPythonのプロパティを。それらの値は、estimator.predictまたはestimator.predict_probaを呼び出すときにパラメータのメモリコピーを避けるために、メモリレイアウトが、基底のliblinear C++実装のロジスティック回帰の予想されるメモリレイアウトを直接マップするestimator.raw_coef_アレイから来ています。

私は、読み取り専用のプロパティを持つことには限界があり、これらのプロパティを取り除く方法を見つけなければならないことに同意しますが、この実装をリファクタリングする場合は、不要なメモリコピーを導入しないでくださいソースコードをすばやく見てから行ってください。

私はこの制限を忘れないようにトラッカーにan issueを開いています。

平均時間では、estimator.coef_とestimator.raw_coef_がどのように関連しているかを理解し、直接estimator.raw_coef_で値を変更する@property注釈付きestimator.coef_方法を読むことができます。

Answer 2

係数が推定オブジェクトの属性である - あなたはロジスティック回帰クラスをインスタンス化したときに作成していること - あなたは、通常のPythonの方法でそれらにアクセスすることができますので、

>>> 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'] 

それは係数を取得する方法ですが、あなただけの予測のためのそれらを使用しようとしている場合は、より直接的な方法は、推定量の予測方法を使用することです。

>>> # 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