逻辑回归Scikit-Learn获取分类系数

Question

我将进行多类分类，并对其应用逻辑回归。

当我调用以下代码拟合数据时：

logistic.fit(InputDATA,OutputDATA)

估计器“logistic”适合这些数据。

现在，当我调用logistic.coef_时，它会打印一个2D数组，其中有4行（我有四个类别）和n列（每个特征都有一列）。

这是我在Scikit-learn网站上看到的：

coef_：数组，形状为(n_features,)或(n_targets, n_features) 线性回归问题的估计系数。如果在拟合期间传递了多个目标（y 2D），则这是形状为(n_targets, n_features)的2D数组，而如果只传递了一个目标，则这是长度为n_features的1D数组。

现在我的问题是： 为什么不同的类别有不同的系数，因为我只需要一个假设来预测输出。

- Shivam Duggal

Answer 1

由于您有一个多类别案例（>2个案例），因此采用一对其余策略。sklearn创建了4个分类器，而不仅仅是1个。因此，您有4个假设和4 *系数。

注意：我对逻辑回归分类器一无所知，但这就是sklearn SVM的工作方式。

- fgoettel

---

非常感谢。我现在明白了。现在使用四个分类器，其中概率最大的一个形成输出类别。 - Shivam Duggal

那么，logistic.predict是否使用此方法来选择适当的分类器？ - Shivam Duggal

在训练阶段生成了4个分类器。 一个将A与BCD分开，一个将B与ACD分开，依此类推。 一个新样本（即predict()）被输入到这四个分类器中。 具有最高概率的分类器获胜。例如，如果你的新类是C，那么C与ABD分类器的概率比其他分类器更高。 C是predict()的返回值。 - fgoettel

Answer 2

您将获得与L1或L2正则化相关的输入特征系数。如果您没有指定L1或L2，则模型将默认为L2。您可以使用这些系数进行模型优化或特征工程。

- ibozkurt79