Python SKLearn：逻辑回归概率

我正在使用 Python SKLearn 模块来执行逻辑回归。我有一个因变量向量Y（从 M 类中的 1 个中获取值）和自变量矩阵X（有 N 个特征）。我的代码是

        LR = LogisticRegression()
        LR.fit(X,np.resize(Y,(len(Y))))

我的问题是，什么是LR.coef_ and LR.intercept_代表。我最初以为他们持有价值观intercept(i) and coef(i,j) s.t.

log(p(1)/(1-p(1))) = intercept(1) + coef(1,1)*X1 + ... coef(1,N)*XN
.
.
.
log(p(M)/(1-p(M))) = intercept(M) + coef(M,1)*X1 + ... coef(M,N)*XN

where p(i)是具有特征的观察的概率[X1, ... ,XN]正在上课i。但是当我尝试转换时

V = X*LR.coef_.transpose()
U = V + LR.intercept_
A = np.exp(U)
A/(1+A)

so that A是矩阵p(1) ... p(M)对于观察结果X。这应该与以下值相同

LR.predict_proba(X)

然而它们很接近，但又不同。为什么是这样？

The coef_ and intercept_属性代表您的想法，您的概率计算失败，因为您忘记标准化：之后

P = A / (1 + A)

你应该做

P /= P.sum(axis=1).reshape((-1, 1))

重现scikit学习算法 https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/base.py#L230.