如何获得多项式逻辑回归系数？

Question

我需要使用sklearn计算多元逻辑回归的系数：

X =

x1          x2          x3   x4         x5    x6
0.300000    0.100000    0.0  0.0000     0.5   0.0
0.000000    0.006000    0.0  0.0000     0.2   0.0
0.010000    0.678000    0.0  0.0000     2.0   0.0
0.000000    0.333000    1.0  12.3966    0.1   4.0
0.200000    0.005000    1.0  0.4050     1.0   0.0
0.000000    0.340000    1.0  15.7025    0.5   0.0
0.000000    0.440000    1.0  8.2645     0.0   4.0
0.500000    0.055000    1.0  18.1818    0.0   4.0

y的值在[1; 4]。

y =

1
2
1
3
4
1
2
3

这是我的工作：

import pandas as pd
from sklearn import linear_modelion
from sklearn.metrics import mean_squared_error, r2_score
import numpy as np

h = .02

logreg = linear_model.LogisticRegression(C=1e5)

logreg.fit(X, y)

# print the coefficients
print(logreg.intercept_)
print(logreg.coef_)

但是，我得到的输出6列logreg.intercept_和6列的输出logreg.coef_我怎样才能得到每个功能1个系数，如a - f值？

y = a*x1 + b*x2 + c*x3 + d*x4 + e*x5 + f*x6

另外，可能我做错了，因为y_pred = logreg.predict(X)给我所有行的值1 。

Answer 1

查看在线文档 ：

coef_ ：数组，形状(1, n_features)或(n_classes, n_features)

决策函数中要素的系数。

当给定问题为二元时 (1, n_features)的形状为(1, n_features) 。

正如@Xochipilli在评论中已经提到的那样，您将拥有(n_classes, n_features)或在您的情况下(4,6)系数和4个截距（每个类一个）

可能我做错了，因为y_pred = logreg.predict(X)给我所有行的值1 。

是的，您不应尝试使用用于训练模型进行预测的数据。 将您的数据分为训练和测试数据集，使用训练数据集训练模型，并使用测试数据集检查其准确性。