scikit LogisticRegression дает неожиданные результаты

Question

У меня есть данные, которые находятся в ndarray dtype float64.

Мои переменные x и y выглядеть следующим образом:

>>print x 

[[ 2.00000000e+00 1.12400000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 2.00000000e+00 1.48800000e+03] 
[ 1.00000000e+00 7.00000000e+02] 
[ 2.00000000e+00 1.24900000e+03] 
[ 1.00000000e+00 8.05000000e+02] 
[ 2.00000000e+00 1.36000000e+03] 
[ 2.00000000e+00 1.12100000e+03] 
[ 1.00000000e+00 8.05000000e+02] 
[ 1.00000000e+00 6.09000000e+02] 
[ 1.00000000e+00 6.09000000e+02] 
[ 2.00000000e+00 1.50800000e+03] 
[ 4.00000000e+00 3.41400000e+03] 
[ 2.00000000e+00 1.15600000e+03] 
[ 2.00000000e+00 1.15700000e+03] 
[ 1.00000000e+00 8.55000000e+02] 
[ 1.00000000e+00 7.30000000e+02] 
[ 2.00000000e+00 1.15600000e+03] 
[ 2.00000000e+00 1.21500000e+03] 
[ 2.00000000e+00 1.38500000e+03] 
[ 3.00000000e+00 1.29300000e+03] 
[ 2.00000000e+00 1.15600000e+03] 
[ 2.00000000e+00 1.48800000e+03] 
[ 2.00000000e+00 1.20000000e+03] 
[ 3.00000000e+00 1.22500000e+03] 
[ 1.00000000e+00 8.15000000e+02] 
[ 3.00000000e+00 1.24700000e+03] 
[ 2.00000000e+00 1.15600000e+03] 
[ 1.00000000e+00 8.27000000e+02] 
[ 1.00000000e+00 7.00000000e+02] 
[ 2.00000000e+00 1.20000000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 1.00000000e+00 7.64000000e+02] 
[ 1.00000000e+00 6.09000000e+02] 
[ 1.00000000e+00 8.30000000e+02] 
[ 3.00000000e+00 1.22500000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 1.00000000e+00 6.09000000e+02] 
[ 1.00000000e+00 8.16000000e+02] 
[ 2.00000000e+00 1.15600000e+03] 
[ 2.00000000e+00 1.03000000e+03] 
[ 3.00000000e+00 1.24700000e+03] 
[ 2.00000000e+00 1.06200000e+03] 
[ 1.00000000e+00 6.57000000e+02] 
[ 1.00000000e+00 7.73000000e+02] 
[ 1.00000000e+00 6.09000000e+02] 
[ 2.00000000e+00 1.31300000e+03] 
[ 2.00000000e+00 8.00000000e+02] 
[ 1.00000000e+00 7.50000000e+02] 
[ 2.00000000e+00 1.21700000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 4.00000000e+00 2.76300000e+03] 
[ 2.00000000e+00 1.15700000e+03] 
[ 2.00000000e+00 1.12100000e+03] 
[ 2.00000000e+00 1.20000000e+03] 
[ 3.00000000e+00 1.48100000e+03] 
[ 2.00000000e+00 1.15600000e+03] 
[ 2.00000000e+00 8.00000000e+02] 
[ 3.00000000e+00 1.61600000e+03] 
[ 2.00000000e+00 1.38500000e+03] 
[ 2.00000000e+00 1.50000000e+03] 
[ 2.00000000e+00 1.38500000e+03] 
[ 2.00000000e+00 1.14800000e+03] 
[ 1.00000000e+00 8.59000000e+02] 
[ 2.00000000e+00 1.38500000e+03] 
[ 3.00000000e+00 1.55800000e+03] 
[ 2.00000000e+00 1.47000000e+03] 
[ 1.00000000e+00 7.77000000e+02] 
[ 1.00000000e+00 6.09000000e+02] 
[ 2.00000000e+00 1.21000000e+03] 
[ 3.00000000e+00 1.30100000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 3.00000000e+00 1.22500000e+03] 
[ 2.00000000e+00 1.15600000e+03] 
[ 1.00000000e+00 8.05000000e+02] 
[ 1.00000000e+00 7.34000000e+02] 
[ 2.00000000e+00 9.65000000e+02] 
[ 1.00000000e+00 8.30000000e+02] 
[ 3.00000000e+00 1.22500000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 3.00000000e+00 1.42100000e+03] 
[ 1.00000000e+00 7.50000000e+02] 
[ 3.00000000e+00 1.78900000e+03] 
[ 2.00000000e+00 1.12100000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 1.00000000e+00 8.05000000e+02] 
[ 3.00000000e+00 1.20000000e+03] 
[ 4.00000000e+00 2.76400000e+03] 
[ 2.00000000e+00 1.01500000e+03] 
[ 2.00000000e+00 1.84400000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 2.00000000e+00 1.09100000e+03] 
[ 1.00000000e+00 8.70000000e+02] 
[ 1.00000000e+00 8.30000000e+02] 
[ 2.00000000e+00 1.12100000e+03] 
[ 2.00000000e+00 1.21400000e+03] 
[ 2.00000000e+00 9.26000000e+02] 
[ 2.00000000e+00 1.09700000e+03] 
[ 1.00000000e+00 6.25000000e+02] 
[ 1.00000000e+00 6.25000000e+02] 
[ 1.00000000e+00 7.50000000e+02] 
[ 2.00000000e+00 1.15600000e+03] 
[ 2.00000000e+00 1.48800000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 2.00000000e+00 1.06000000e+03] 
[ 5.00000000e+00 3.66200000e+03] 
[ 2.00000000e+00 1.03000000e+03] 
[ 2.00000000e+00 1.17000000e+03] 
[ 1.00000000e+00 7.64000000e+02] 
[ 3.00000000e+00 1.34000000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 1.00000000e+00 6.09000000e+02] 
[ 1.00000000e+00 6.09000000e+02] 
[ 4.00000000e+00 3.54900000e+03] 
[ 3.00000000e+00 1.00000000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 1.00000000e+00 6.09000000e+02] 
[ 2.00000000e+00 8.00000000e+02] 
[ 1.00000000e+00 6.09000000e+02] 
[ 2.00000000e+00 1.09100000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 3.00000000e+00 1.38500000e+03] 
[ 1.00000000e+00 6.09000000e+02] 
[ 1.00000000e+00 6.09000000e+02] 
[ 5.00000000e+00 3.66200000e+03] 
[ 4.00000000e+00 1.76900000e+03] 
[ 2.00000000e+00 1.14400000e+03] 
[ 2.00000000e+00 1.09100000e+03] 
[ 2.00000000e+00 1.09100000e+03] 
[ 2.00000000e+00 1.12100000e+03] 
[ 3.00000000e+00 1.47000000e+03] 
[ 3.00000000e+00 1.58000000e+03] 
[ 1.00000000e+00 9.60000000e+02] 
[ 2.00000000e+00 1.01500000e+03] 
[ 3.00000000e+00 1.44500000e+03] 
[ 2.00000000e+00 1.06400000e+03] 
[ 2.00000000e+00 1.09100000e+03] 
[ 1.00000000e+00 7.50000000e+02] 
[ 2.00000000e+00 1.09100000e+03] 
[ 3.00000000e+00 1.80000000e+03] 
[ 2.00000000e+00 1.25400000e+03] 
[ 2.00000000e+00 1.09100000e+03] 
[ 1.00000000e+00 8.79000000e+02] 
[ 2.00000000e+00 1.50800000e+03] 
[ 1.00000000e+00 8.43000000e+02] 
[ 4.00000000e+00 2.10800000e+03] 
[ 2.00000000e+00 1.20900000e+03] 
[ 2.00000000e+00 1.50000000e+03] 
[ 1.00000000e+00 7.50000000e+02] 
[ 2.00000000e+00 1.46100000e+03] 
[ 2.00000000e+00 8.50000000e+02] 
[ 3.00000000e+00 1.50000000e+03] 
[ 2.00000000e+00 9.50000000e+02] 
[ 3.00000000e+00 1.34000000e+03] 
[ 1.00000000e+00 7.30000000e+02] 
[ 2.00000000e+00 1.14100000e+03] 
[ 3.00000000e+00 1.12400000e+03] 
[ 2.00000000e+00 1.12100000e+03] 
[ 3.00000000e+00 1.22500000e+03] 
[ 2.00000000e+00 1.00000000e+03] 
[ 2.00000000e+00 1.31300000e+03]] 

>>print y.flatten() 
[ 1775. 1106. 1930. 1267. 1350. 1250. 1500. 1690. 1300. 1110. 
    1178. 2200. 4500. 1985. 2045. 1195. 1100. 1985. 2269. 1550. 
    2168. 2055. 1930. 1668. 1728. 1300. 1890. 1985. 1833. 1207. 
    1741. 1090. 1050. 1188. 1308. 1745. 1200. 1230. 1680. 2070. 
    1450. 1980. 1400. 1542. 1593. 1138. 2363. 850. 1050. 2137. 
    1211. 2750. 2045. 1677. 1500. 2200. 2070. 775. 2100. 1500. 
    1700. 1500. 1900. 1757. 1500. 2810. 1500. 1275. 1166. 1400. 
    2569. 1256. 1633. 2070. 1290. 1150. 1435. 1344. 1628. 1166. 
    2007. 1675. 2200. 1477. 1256. 1350. 1495. 2750. 1550. 2499. 
    1186. 2098. 1372. 1384. 1567. 1650. 1375. 1350. 1075. 1200. 
    1756. 1985. 1755. 1212. 1374. 3750. 1450. 1350. 1100. 1700. 
    1166. 1212. 1202. 3950. 1250. 1054. 1241. 1100. 1256. 2098. 
    1202. 1695. 1256. 1256. 3750. 2300. 1900. 2098. 2098. 1527. 
    1450. 1700. 1381. 1600. 2000. 2021. 2098. 1663. 2098. 2000. 
    2331. 2098. 1395. 2200. 1400. 2350. 2284. 1625. 1692. 1650. 
    1339. 1800. 1428. 1700. 1100. 1518. 1700. 1492. 1590. 1300. 
    2398.] 

Эти данные выглядит аналогично этому example, но когда я распечатать свои результаты регрессии, как представляется, не работает, как я предполагаю, (я бы ожидать матрица 1х2 бета).

Мои результаты выглядят следующим образом:

('Coefficients: \n', array([[ 7.03950002e+00, -2.69281738e-02], 
     [ 7.03950002e+00, -2.69281738e-02], 
     [ -6.98978455e+00, 4.54840941e-03], 
     [ 1.44445066e+00, -1.75824530e-02], 
     [ 8.11638781e-02, -9.85091887e-03], 
     [ 1.44445066e+00, -1.75824530e-02], 
     [ 1.65529232e-03, -4.10775159e-03], 
     [ 1.44445066e+00, -1.75824530e-02], 
     [ 1.44445066e+00, -1.75824530e-02], 
     [ 1.44445066e+00, -1.75824530e-02], 
     [ -4.85824760e+00, 2.00707943e-03], 
     [ 1.16874660e+00, -1.54523463e-02], 
     [ 1.44445066e+00, -1.75824530e-02], 
     [ 1.44445066e+00, -1.75824530e-02], 
     [ 1.44445066e+00, -1.75824530e-02], 
     [ -1.66777791e+01, 1.59406094e-02], 
     [ 7.50461656e-01, -1.44174098e-02], 
     [ 1.27817712e+00, -1.62305159e-02], 
     [ -2.40249139e+00, -2.19857700e-03], 
     [ 1.44445066e+00, -1.75824530e-02], 
     [ 1.27817712e+00, -1.62305159e-02], 
     [ 1.44445066e+00, -1.75824530e-02], 
     [ 1.44445066e+00, -1.75824530e-02], 
     [ 3.20263392e+00, -9.50805754e-03], 
     [ 1.87802711e+00, -2.23108770e-02], 
     [ -2.40249139e+00, -2.19857700e-03], 
     [ -6.01730918e+00, 5.05808885e-03], 
     [ -7.18885421e+00, 6.34980889e-03], 
     [ -1.13882965e+00, -9.90208457e-05], 
     [ -8.39829744e+00, 8.30050908e-03], 
     [ 4.06246539e+00, -1.24502573e-02], 
     [ -8.39829763e+00, 8.30050917e-03], 
     [ -4.58224954e-01, 4.95062738e-04], 
     [ -1.74875944e+01, 1.68592654e-02], 
     [ 7.17565680e-01, -1.52851151e-03], 
     [ 3.01633761e+00, -9.16054410e-03], 
     [ -5.76658998e+01, 5.87982295e-02], 
     [ -8.39829954e+00, 8.30051003e-03], 
     [ -2.30256592e+01, 2.09775103e-02], 
     [ -6.52633498e-01, 5.82137199e-04], 
     [ 2.35503800e+00, -6.55862039e-03], 
     [ 2.11785612e+00, -5.89089182e-03], 
     [ 1.50150684e+00, -2.08582766e-03], 
     [ 4.82563106e-01, -6.81511087e-04], 
     [ 4.82562903e-01, -6.81510981e-04], 
     [ 4.91817942e+00, -8.22393628e-03], 
     [ -1.19659445e+00, 1.99936701e-03], 
     [ 4.29564525e-01, -4.87141011e-04], 
     [ 4.82563156e-01, -6.81511112e-04], 
     [ -4.06573886e-01, -6.12386202e-03], 
     [ -8.70466734e-02, 3.60870537e-04], 
     [ 4.82562847e-01, -6.81510951e-04], 
     [ 4.66515975e+00, -7.35139691e-03], 
     [ -5.91285911e+00, 4.80207972e-03], 
     [ 1.34044916e+00, -3.36860893e-03], 
     [ -2.21927262e+00, 3.25733406e-03], 
     [ 4.66515975e+00, -7.35139691e-03], 
     [ 4.66515975e+00, -7.35139691e-03], 
     [ -9.45979683e-01, 1.62357444e-03], 
     [ -6.73126888e+00, 3.86607763e-03], 
     [ -4.16308006e-02, 2.63002814e-04], 
     [ -6.73126888e+00, 3.86607763e-03], 
     [ 4.82562487e-01, -6.81510763e-04], 
     [ -9.86380890e+00, 9.58052088e-03], 
     [ 4.82562171e-01, -6.81510598e-04], 
     [ -6.73126888e+00, 3.86607762e-03], 
     [ 2.97700421e+00, -3.05777520e-03], 
     [ 2.24255263e+00, -2.17012884e-03], 
     [ 4.66515975e+00, -7.35139691e-03], 
     [ -4.16308006e-02, 2.63002814e-04], 
     [ 4.66515975e+00, -7.35139691e-03], 
     [ -2.14831264e+00, 3.16340765e-03], 
     [ -6.73126889e+00, 3.86607763e-03], 
     [ -1.71124469e+01, 1.64491331e-02], 
     [ 4.76675011e-01, -6.46787057e-04], 
     [ 2.28010471e+00, -1.89360254e-03], 
     [ -8.41385808e+00, 8.21857876e-03], 
     [ 4.33623144e+00, -6.44620020e-03], 
     [ 3.34391606e-01, -3.75409118e-04], 
     [ -2.25369937e+00, 3.30993121e-03], 
     [ 4.33623145e+00, -6.44620020e-03], 
     [ 1.84108480e-01, -1.06071424e-04], 
     [ 1.89804414e+00, -1.22769239e-03], 
     [ 2.80111814e+00, -2.67770187e-03], 
     [ 6.64662880e-01, -1.38196985e-03], 
     [ 2.81998334e-01, -2.50519561e-04], 
     [ 4.43329199e-01, -3.89208176e-04], 
     [ 2.49834048e-01, -2.55971878e-04], 
     [ 7.34670884e-01, -1.28326041e-03], 
     [ 1.86862116e+00, -1.22488295e-03], 
     [ -1.51028451e-01, 4.28126717e-04], 
     [ 3.66378641e+00, -5.17492867e-03], 
     [ 2.21897534e-01, 5.88682056e-04], 
     [ -1.27898988e-01, 4.05770885e-04], 
     [ -9.34311436e-02, 3.49189918e-04], 
     [ 1.23480481e+01, -1.06e-02], 
     [ -3.04172929e-01, 7.13615607e-04], 
     [ 6.33853873e+00, -4.36122413e-03], 
     [ -7.18817629e-01, 1.31581160e-03], 
     [ -7.18817629e-01, 1.31581160e-03], 
     [ -6.76849419e+01, 7.80179333e-02], 
     [ 3.61205395e+00, -4.73585605e-03], 
     [ 1.24893688e+00, 5.47184400e-04], 
     [ 2.13731015e+00, -1.59511439e-03], 
     [ 7.80322748e+00, 6.41670434e-05], 
     [ -1.25727569e+01, 1.80771247e-02], 
     [ -4.06421193e+00, 7.16662649e-03]])) 

Моя модель вызова производится следующим образом:

from sklearn import linear_model 
logreg.fit(x, y.flatten()) 

Все мои формы являются:

print y.shape,x.shape 

(161, 1) (161, 2) 

я должен делать глупая ошибка, и любой вклад в значительной степени оценен.

Answer 1

Я думаю, что ваша проблема связана не с кодом, а с моделью, которую вы использовали для своих данных.

Получаю тот же результат, если я просто использую ваши данные. Вы понимаете, что такое логистическая регрессия? Он предсказывает категорию из непрерывных входных данных. Если вы посмотрите на приведенный вами пример, данные iris.target представляют собой список целых чисел от 0 до 2 включительно, каждый из которых соответствует другому типу радужной оболочки. например 0 соответствует типу setsoa.

Ваши данные не являются данными метки. Кроме того, ожидается, что 1x2 не будет соответствовать настройке классификации. Запустите пример вы связаны с, и сделать

logreg.coef_.shape 
>>(3L, 2L) 

Вы должны ожидать строку в коэффициентов в каждой категории в виде (п-кошки, п-функций), так 1х2 ожидает одну категорию, которая не имеет никакого смысла - 1 категория - это всего лишь «все данные».

Вы получаете множество строк, потому что почти каждая из ваших данных y рассматривается как новая категория.

Я думаю, возможно, вам нужна линейная регрессия, а не логистическая регрессия.