python - 如何从 LogisticRegressionCV 和 GridSearchCV 获得可比较和可重现的结果

Question

我想用不同的参数给不同的分类器打分。

为了加快 LogisticRegression 的速度，我使用 LogisticRegressionCV(至少快 2 倍)并计划为其他人使用 GridSearchCV。

但问题是它给了我相等的 C 参数，但不是 AUC ROC 评分。

我会尝试修复许多参数，例如 scorer、random_state、solver、max_iter、托尔...请看例子(真实数据无数据):

测试数据及公共(public)部分:

from sklearn import datasets
boston = datasets.load_boston()
X = boston.data
y = boston.target
y[y <= y.mean()] = 0; y[y > 0] = 1

import numpy as np
from sklearn.cross_validation import KFold
from sklearn.linear_model import LogisticRegression
from sklearn.grid_search import GridSearchCV
from sklearn.linear_model import LogisticRegressionCV

fold = KFold(len(y), n_folds=5, shuffle=True, random_state=777)

网格搜索CV

grid = {
    'C': np.power(10.0, np.arange(-10, 10))
     , 'solver': ['newton-cg']
}
clf = LogisticRegression(penalty='l2', random_state=777, max_iter=10000, tol=10)
gs = GridSearchCV(clf, grid, scoring='roc_auc', cv=fold)
gs.fit(X, y)

print ('gs.best_score_:', gs.best_score_)

gs.best_score_: 0.939162082194

逻辑回归CV

searchCV = LogisticRegressionCV(
    Cs=list(np.power(10.0, np.arange(-10, 10)))
    ,penalty='l2'
    ,scoring='roc_auc'
    ,cv=fold
    ,random_state=777
    ,max_iter=10000
    ,fit_intercept=True
    ,solver='newton-cg'
    ,tol=10
)
searchCV.fit(X, y)

print ('Max auc_roc:', searchCV.scores_[1].max())

Max auc_roc: 0.970588235294

求解器 newton-cg 仅用于提供固定值，其他也尝试过。我忘了什么？

附言在这两种情况下，我还收到警告“/usr/lib64/python3.4/site-packages/sklearn/utils/optimize.py:193: UserWarning: Line Search failedwarnings.warn('Line Search failed')"我也听不懂。如果有人也描述它的意思，我会很高兴，但我希望它与我的主要问题无关。

编辑更新

通过@joeln 评论添加max_iter=10000 和tol=10 参数。它不会改变任何数字的结果，但警告消失了。

Answer 1

这是 answer by Tom 的副本在 scikit-learn 问题跟踪器上:

LogisticRegressionCV.scores_ 给出所有折叠的分数。GridSearchCV.best_score_ 给出所有折叠的最佳平均分。

要获得相同的结果，您需要更改代码:

print('Max auc_roc:', searchCV.scores_[1].max())  # is wrong
print('Max auc_roc:', searchCV.scores_[1].mean(axis=0).max())  # is correct

同时使用默认的 tol=1e-4 而不是您的 tol=10，我得到:

('gs.best_score_:', 0.939162082193857)
('Max auc_roc:', 0.93915947999923843)

剩余的(小)差异可能来自 LogisticRegressionCV 中的热启动(这实际上是它比 GridSearchCV 更快的原因)。