machine-learning - 如何从惩罚逻辑回归的拟合管道中提取系数？

Question

我有一组训练数据，由 X 和 Y 组成，X 是一组 n 列数据(特征)，Y 是一列目标变量。

我正在尝试使用以下管道通过逻辑回归来训练我的模型:

pipeline = sklearn.pipeline.Pipeline([
    ('logistic_regression', LogisticRegression(penalty = 'none', C = 10))
])

我的目标是在线性模型的假设下获得与特征相对应的n个系数中的每一个的值(y = coeff_0 + coeff_1*x1 + ... + coeff_n*xn).

我尝试使用 model = pipeline.fit(X, Y) 根据我的数据训练此管道。所以我认为我现在拥有包含我想要的系数的模型。但是，我不知道如何访问它们。我正在寻找类似 mode.best_params_('logistic_regression') 的内容。

有谁知道如何从这样的模型中提取拟合系数？

Answer 1

看看 scikit-learn documentation对于Pipeline，这个例子的灵感来自于它:

from sklearn import svm
from sklearn.datasets import make_classification
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import f_regression
from sklearn.pipeline import Pipeline
# generate some data to play with
X, y = make_classification(n_informative=5, n_redundant=0, random_state=42)
# ANOVA SVM-C
anova_filter = SelectKBest(f_regression, k=5)
clf = svm.SVC(kernel='linear')
anova_svm = Pipeline([('anova', anova_filter), ('svc', clf)])
anova_svm.set_params(anova__k=10, svc__C=.1).fit(X, y)
# access coefficients
print(anova_svm['svc'].coef_)

model.coef_ 完成这项工作，.best_params_ 通常与 GridSearch 相关联，即超参数优化。

根据您的具体情况，请尝试:model['logistic_regression'].coefs_。