R 和 scikit-learn 在逻辑回归分类任务中的比较

我正在做 James、Witten、Hastie、Tibshirani (2013) 所著的《R 应用统计学习简介》一书中描述的逻辑回归。

更具体地说，我将二元分类模型拟合到第 7.8.1 节中描述的 R 包“ISLR”中的“工资”数据集。

预测变量“年龄”（转换为多项式，4 次）根据二元分类工资>250 进行拟合。然后根据“真实”值的预测概率绘制年龄。

R中的模型拟合如下：

fit=glm(I(wage>250)~poly(age,4),data=Wage, family=binomial)

agelims=range(age) 
age.grid=seq(from=agelims[1],to=agelims[2])
preds=predict(fit,newdata=list(age=age.grid),se=T)
pfit=exp(preds$fit)/(1+exp(preds$fit))

完整代码（作者网站）：http://www-bcf.usc.edu/~gareth/ISL/Chapter%207%20Lab.txt http://www-bcf.usc.edu/~gareth/ISL/Chapter%207%20Lab.txt
书中相应情节：http://www-bcf.usc.edu/~gareth/ISL/Chapter7/7.1.pdf http://www-bcf.usc.edu/~gareth/ISL/Chapter7/7.1.pdf (right)

我尝试将模型拟合到 scikit-learn 中的相同数据：

poly = PolynomialFeatures(4)
X = poly.fit_transform(df.age.reshape(-1,1))
y = (df.wage > 250).map({False:0, True:1}).as_matrix()
clf = LogisticRegression()
clf.fit(X,y)

X_test = poly.fit_transform(np.arange(df.age.min(), df.age.max()).reshape(-1,1))
prob = clf.predict_proba(X_test)

然后，我根据年龄范围绘制了“真实”值的概率。但结果/情节看起来完全不同。 （不是谈论 CI 带或 rugplot，只是概率图。）我在这里遗漏了什么吗？

经过更多阅读后，我了解到 scikit-learn 实现了正则化逻辑回归模型，而 R 中的 glm 没有正则化。 Statsmodels 的 GLM 实现 (python) 是未正则化的，并且给出与 R 中相同的结果。

http://statsmodels.sourceforge.net/stable/ generated/statsmodels.genmod.generalized_linear_model.GLM.html#statsmodels.genmod.generalized_linear_model.GLM http://statsmodels.sourceforge.net/stable/generated/statsmodels.genmod.generalized_linear_model.GLM.html#statsmodels.genmod.generalized_linear_model.GLM

R 包 LiblineaR 类似于 scikit-learn 的逻辑回归（当使用“liblinear”求解器时）。

https://cran.r-project.org/web/packages/LiblineaR/ https://cran.r-project.org/web/packages/LiblineaR/