Desarrollo de Python
  1. Desarrollo de Python
  3. Creación de una instancia sklearn.linear_model.LogisticRegression a partir de coeficientes existentes
Intereting Posts
Hash alfanumérico corto de Python con colisiones mínimas. Crea una cuadrícula de botones usando un bucle en PyQT4 El modelo LDA genera diferentes temas cada vez que entreno en el mismo corpus. elegir combinaciones de listas múltiples Carga paralela de archivos de entrada en Pandas Dataframe Código de error 3: el sistema no puede encontrar la ruta especificada Django – Cómo lidiar con las rutas en settings.py en proyectos colaborativos ¿Cómo hacer que un script de Python o Perl sea portátil tanto para Linux como para Windows? Deshabilitar la depuración de Django para apio ¿Cómo convertir un archivo en un diccionario? No se puede eliminar una carpeta con os.remove (WindowsError: Se deniega el acceso: ‘c: / temp / Nueva carpeta’) Error al instalar pip pyicu error al instalar los paquetes de soporte de nltk: nltk.download () Error al utilizar knnMatch con OpenCV + Python PyQt4 a PyQt5 ¿cómo?

Creación de una instancia sklearn.linear_model.LogisticRegression a partir de coeficientes existentes

¿Se puede crear una instancia de este tipo en función de los coeficientes existentes que se calcularon, por ejemplo, en una implementación diferente (por ejemplo, Java)?

Intenté crear una instancia y luego establecer coef_ e intercept_ directamente y parece funcionar, pero no estoy seguro de si hay algún inconveniente aquí o si podría estar rompiendo algo.

Sí, funciona bien: 

 import numpy as np from scipy.stats import norm from sklearn.linear_model import LogisticRegression import json x = np.arange(10)[:, np.newaxis] y = np.array([0,0,0,1,0,0,1,1,1,1]) # training one logistic regression model1 = LogisticRegression(C=10, penalty='l1').fit(x, y) # serialize coefficients (imitate loading from storage) encoded = json.dumps((model1.coef_.tolist(), model1.intercept_.tolist(), model1.penalty, model1.C)) print(encoded) decoded = json.loads(encoded) # using coefficients in another regression model2 = LogisticRegression() model2.coef_ = np.array(decoded[0]) model2.intercept_ = np.array(decoded[1]) model2.penalty = decoded[2] model2.C = decoded[3] # resulting predictions are identical print(model1.predict_proba(x) == model2.predict_proba(x))

Salida: 

 [[[0.7558780101653273]], [-3.322083150375962], "l1", 10] [[ True True] [ True True] [ True True] [ True True] [ True True] [ True True] [ True True] [ True True] [ True True] [ True True]]

Así que las predicciones de modelos originales y recreados son de hecho idénticas.