如何显示模型的输出？答案

【问题标题】：How can the output of a model be displayed?如何显示模型的输出？
【发布时间】：2016-01-20 19:05:15
【问题描述】：

我正在执行一项机器学习任务，其中我使用逻辑回归进行主题分类。

如果这是我的代码：

model= LogisticRegression()
model= model.fit(mat_tmp, label_tmp)

y_train_pred = model.predict(mat_tmp_test)

print(metrics.accuracy_score(label_tmp_test, y_train_pred))

有没有一种方法可以输出模型内部到底发生了什么。就像我的模型正在做什么的一个工作示例一样？比如可能显示 2-3 个文档以及它们是如何分类的？

【问题讨论】：

您可以使用predict 方法获得预测，但是2-3 个数据点的分类示例与“模型内部发生的确切情况”有很大不同。您不知道模型对您选择的 2-3 个文档的行为是否能代表其一般行为。
你需要更具体地说明你想要什么：描述它并举一三个例子。 “我的模型在做什么”并不具体。您需要什么级别的详细信息？您是否要求对内部流程进行某种跟踪？在我看来，您想要的输出打破了模型的“黑盒”范式。另请注意，此操作根据实现的算法而有所不同。

标签： python machine-learning scikit-learn logistic-regression

【解决方案1】：

为了充分了解模型中发生的情况，您必须首先花一些时间研究逻辑回归算法（例如，从讲义或Wikipedia）。与其他监督技术一样，逻辑回归具有超参数和参数。超参数基本上指定了您的算法如何运行，您必须在初始化时提供（即在它看到任何数据之前）。例如，您可能有关于类分布的先验信息，这将是一个超参数。参数是从您的数据中“学习”的。

一旦您了解了算法，有趣的问题将是您的模型的参数是什么（回想一下，这些参数是从数据中检索出来的）。通过访问documentation，您可以在属性部分发现该分类器有3个参数，您可以通过它们的字段名称访问它们。

如果您对这些细节不感兴趣，而只想评估分类器的准确性，那么一个有用的技术是交叉验证。您将标记数据分成 k 个大小相等的子集，并使用其中的 k-1 个子集训练分类器。然后，您在剩余的 1 个子集上评估经过训练的分类器并计算准确度（即可以正确预测的数据比例）。这种方法有其缺点，但总体上证明非常有用。

【讨论】：