python取近似值,python实现π的计算

　　用sklearn进行logistic回归时，如果要检查变量的p值是否足够小，只能自己计算p值。似然比是检验逻辑回归参数的一种方法。

　　假设我们的逻辑回归有N个特征，我们需要测试x1特征的参数w1。

　　1.计算包含所有特征的预测概率似然估计L0。

　　2.扣除x1特征重新拟合logistic回归，计算新的logistic回归模型的似然估计L1。

　　3.以1个自由度计算2*ln(L0/L1)的卡方分布。

　　导入副本

　　定义可能性(预测，y):

　　如果不是isinstance(y，list):

　　yt=y.tolist()

　　否则：

　　yt=copy.copy(y)

　　ss=0

　　对于范围内的I(len(yt)):

　　ss=np.log(pred[i][yt[i]])

　　返回ss

　　从scipy.stats导入chi2

　　# lr是具有所有特征的模型，X_train是具有所有特征的自变量，y_train是具有所有特征的因变量。

　　pred=lr.predict_proba(X_train)

　　total _ likelihood=likelihood(pred，y_train)

　　对于范围内的I(len(x _ cols)):

　　# count所有特性的p值

　　#计算扣除col后的预测值

　　left_col=x_cols[:i] x_cols[i 1:]

　　left_train_x=X_train.loc[:left_col]

　　left _ lr=LogisticRegression(penalty= L2 ，C=0.9，n_jobs=-1)

　　left_lr.fit(左列车x，y列车)

　　left _ pred=left _ lr . predict _ proba(left _ train _ x)

　　left _ likelihood=likelihood(left _ pred，y_train)

　　ch2_value=(总可能性-左可能性)* 2

　　pvalue=CH2 . SF(CH2 _ value，1)

　　print(x_cols[i]，pvalue)

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。