LogisticRegression scikit 学习协变量（列）顺序对训练很重要

Question

出于某种原因，协变量的顺序似乎与 scikit-learn 中的 LogisticRegression 分类器有关，这对我来说似乎很奇怪。我有 9 个协变量和一个二进制输出，当我更改列的顺序并调用 fit() 然后调用 predict_proba() 时，输出是不同的。下面的玩具示例

logit_model = LogisticRegression(C=1e9, tol=1e-15)

以下

logit_model.fit(df['column_2','column_1'],df['target'])
logit_model.predict_proba(df['column_2','column_1'])

array([[ 0.27387109,  0.72612891] ..])

给出不同的结果：

logit_model.fit(df['column_1','column_2'],df['target'])
logit_model.predict_proba(df['column_1','column_2'])

array([[ 0.26117794,  0.73882206], ..])

这让我感到惊讶，但也许这只是我对算法的内部结构和拟合方法缺乏了解。

我错过了什么？

编辑：这是完整的代码和数据

数据：https://s3-us-west-2.amazonaws.com/gjt-personal/test_model.csv

import pandas as pd
from sklearn.linear_model import LogisticRegression

df = pd.read_csv('test_model.csv',index_col=False)

columns1 =['col_1','col_2','col_3','col_4','col_5','col_6','col_7','col_8','col_9']
columns2 =['col_2','col_1','col_3','col_4','col_5','col_6','col_7','col_8','col_9']

logit_model = LogisticRegression(C=1e9, tol=1e-15)

logit_model.fit(df[columns1],df['target'])
logit_model.predict_proba(df[columns1])

logit_model.fit(df[columns2],df['target'])
logit_model.predict_proba(df[columns2])

原来它与 tol=1e-15 有关，因为这给出了不同的结果。

LogisticRegression(C=1e9, tol=1e-15)

但这给出了相同的结果。

LogisticRegression(C=1e9)

Answer 1

这是在两个代码示例中测量相同的东西。

当我们将 DataFrame 馈送到 sklearn 中的 classifier 时，它会在数据帧的每一行上进行训练（每一行对应一个观察值）

所以行的顺序并不重要，因为您得到的输出是特定行对应于每个可能的 classes 的概率。

例如：

array([[ 0.26117794, 0.73882206], ..]) 的输出意味着我们提供给 classifier 的行有大约 26% 的机会在 class 0 和大约 74% 的机会在 class 中 1. 此测量值并未说明各个列的任何信息。只是整行。

让我知道这是否有帮助，以及我是否可以澄清我的答案。

Answer 2

感谢您添加示例数据。

深入了解您的数据，显然没有标准化。如果您将 StandardScaler 应用于数据集并再次尝试拟合，您会发现预测差异消失了。

虽然这个结果至少是一致的，但仍然令人不安的是它引发了 LineSearchWarning 和 ConvergenceWarning。对此我会说你在 1e-15 确实有极低的容忍度。考虑到您应用的非常高的正则化惩罚比率 (1e9)，将 tol 降低到默认值 1e-4 实际上不会有任何影响。这允许模型正确收敛并仍然产生相同的结果（在更快的运行时间内）。

我的完整过程是这样的：

import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

ss = StandardScaler()
cols1 = np.arange(9)
cols2 = np.array([1,0,2,3,4,5,6,7,8])
X = ss.fit_transform(df.drop('target', axis=1))

lr = LogisticRegression(solver='newton-cg', tol=1e-4, C=1e9)
lr.fit(X[:, cols1], df['target'])
preds_1 = lr.predict_proba(X[:, cols1])

lr.fit(X[:, cols2], df['target'])
preds_2 = lr.predict_proba(X[:, cols2])

preds_1 
array([[  0.00000000e+00,   1.00000000e+00],
       [  0.00000000e+00,   1.00000000e+00],
       [  0.00000000e+00,   1.00000000e+00],
       ...,
       [  1.00000000e+00,   9.09277801e-31],
       [  1.00000000e+00,   3.52079327e-35],
       [  1.00000000e+00,   5.99607407e-30]])

preds_2
array([[  0.00000000e+00,   1.00000000e+00],
       [  0.00000000e+00,   1.00000000e+00],
       [  0.00000000e+00,   1.00000000e+00],
       ...,
       [  1.00000000e+00,   9.09277801e-31],
       [  1.00000000e+00,   3.52079327e-35],
       [  1.00000000e+00,   5.99607407e-30]])

断言 preds_1 == preds_2 将失败，但每个值的差异大约为 1e-40 +，我认为这远远超出了任何合理的显着性水平。

LogisticRegression scikit 学习协变量（列）顺序对训练很重要

LogisticRegression scikit learn covariate (column) order matters on training

python

python-3.x

pandas

scikit-learn

logistic-regression