`statsmodels` 和 `sklearn` 中的 Logit 估计器

Question

我很确定这是一项功能，而不是错误，但我想知道是否有办法使 sklearn 和 statsmodels 在他们的 logit 估计值中匹配。一个很简单的例子：

import numpy as np
import statsmodels.formula.api as sm
from sklearn.linear_model import LogisticRegression

np.random.seed(123)

n = 100
y = np.random.random_integers(0, 1, n)
x = np.random.random((n, 2))
# Constant term
x[:, 0] = 1.

statsmodels 的估计：

sm_lgt = sm.Logit(y, x).fit()
    Optimization terminated successfully.
             Current function value: 0.675320
             Iterations 4
print sm_lgt.params
    [ 0.38442   -1.1429183]

还有sklearn的估计：

sk_lgt = LogisticRegression(fit_intercept=False).fit(x, y)
print sk_lgt.coef_
    [[ 0.16546794 -0.72637982]]

我认为这与sklearn 中的实现有关，它使用了某种正则化。有没有像statsmodels 那样估计准系统logit 的选项（它的速度要快得多，并且可以更好地扩展）。另外，sklearn 是否提供推断（标准错误）或边际效应？

Answer 1

是否可以像 statsmodels 那样估计准系统 logit

您可以将C（逆正则化强度）参数设置为任意高的常数，只要它是有限的：

>>> sk_lgt = LogisticRegression(fit_intercept=False, C=1e9).fit(x, y)
>>> print(sk_lgt.coef_)
[[ 0.38440594 -1.14287175]]

关闭正则化是不可能的，因为底层求解器 Liblinear 不支持。

另外，sklearn 是否提供推断（标准错误）或边际效应？

没有。有一个添加这个的提议，但它还没有在主代码库中。

Answer 2

作为补充说明，当我的矩阵共线时，我正在努力解决结果的差异。显然，这意味着应该进行一些额外的预处理才能获得可靠的结果，但我仍然希望找出为什么我使用 sklearn 得到了结果但 statsmodels 出错了。

简短的回答：在 statsmodels 中调用 fit 时设置 solver='bfgs' 与 sklearn 模型的结果几乎相同，即使在共线变量的情况下也是如此（一旦注意到 sm 的默认值是不截距这一事实， sklearn 的默认值适合截距）

示例（改编自 OLS 上的 similar question）：

import numpy as np
import statsmodels.api as sm
from sklearn.linear_model import LogisticRegression

np.random.seed = 237
num_samples=1000
X=np.random.random((num_samples, 2))
X[:, 1] = 2*X[:, 0]
X_sm = sm.add_constant(X)

beta = [1, -2, .5]
error = np.random.random(num_samples)
y = np.round(1/(1+np.exp( -(np.dot(X_sm, beta)) + error   )))  # y = 1/(1+exp(-beta*x))

lr = LogisticRegression(C=1e9).fit(X, y)

print "sklearn:"
print lr.intercept_
print lr.coef_

print "statsmodels:"
print sm.Logit(y, X_sm).fit(method='bfgs').params  # method='nm' or default method errors out

（PS 如果有人对这两个求解器背后的数学和结果的可靠性有 cmet，我很想听听！我觉得有趣的是 sklearn 甚至没有为此发出警告......）