Pythonでの回帰の概要

Question

私はPythonにはかなり新しいです。私はx_train変数とy_trainを作成していると私はロジスティック回帰を取得しようとしていますR.のように私は、ロジスティック回帰の概要を取得したいと思い

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) 

私は何を得る：

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) 

私は重要なレベルの要約、R2 eccを持っていたいと思います。

Answer 1

に電話すると、R となります。

意味はsklearnによって直接提供されていませんが、答えはhereであり、これはcodeです。

Answer 2

1. 重要度レベルを取得するには、を使用します。あなたはsklearn.metrics.r2_score

Answer 3

を使用することができR2を得るために

私はstatsmodels図書館でご覧になることをお勧めします。 Sk-learnはすばらしいです（他の回答はR2やその他の指標を得る方法を提供します）。statsmodelsは、おそらくRで慣れ親しんだものに似た回帰の概要を提供します。

例：

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 
============================================================================== 

あなたの代わりにあなたが.fit_regularized()を呼び出すとアルファパラメータ（正則強度）に渡すことができますロジット初期化後.fit()を呼び出すのでは、正則を追加したい場合。これを行うと、sk-learnのCパラメータは実際には逆の正則化強度であることに注意してください。