Matlab与Python Statsmodels中的GLM.fit（）：为什么结果不同？

Matlab的

glmfit

在哪些方面的实现方式与Python statsmodels的

GLM.fit（）

不同？

以下是他们在我的数据集上的结果比较： 这表示通过运行GLM拟合生成的图209权重：

V

：（100000，209）预测变量（设计矩阵）

y

：（100000,1）响应变量

误差平方和：18.140615678

一个具体的例子 为什么这些不同？首先，这里是Matlab中的一个具体示例：

yin = horzcat(y,ones(size(y)));
[weights_mat, d0, st0]=glmfit(V, yin,'binomial','probit','off',[],[],'off');

让我们试试Python中的等效方法：

import statsmodels.api as sm

## set up GLM
y = np.concatenate((y, np.ones( [len(y),1] )), axis=1)
sm_probit_Link = sm.genmod.families.links.probit
glm_binom = sm.GLM(sm.add_constant(y), sm.add_constant(V_design_matrix), family=sm.families.Binomial(link=sm_probit_Link))
     # statsmodels.GLM format: glm_binom = sm.GLM(data.endog, data.exog, family)

## Run GLM fit
glm_result = glm_binom.fit()
weights_py = glm_result.params 

## Compare the difference
weights_mat_import = Matpy.get_output('w_output.mat', 'weights_mat') # imports matlab variables
print SSE(weights_mat_import, weights_python)

让我们检查一下文件 Matlab中的glmfit：

[b，dev，stats]=glmfit（X，y，distr）

Python（）中的GLM.fit（）设置：

glm_model=sm.glm（endog，exog，family=None，offset=None，exposure=None，missing='None'，**kwargs）

glm_模型.fit（起始参数=None，最大值=100，方法=IRLS'，tol=1e-08，标度=None，cov_类型=nonrobust'，cov_kwds=None，使用=None，**kwargs）

如何使用Statsmodels获得Matlab

glmfit

结果？

---

谢谢大家!

我不熟悉所涉及的工具，但装配通常需要一个起始值。这在

statsmodels

版本的文档中有明确说明，我怀疑这两种实现的起始值是不同的。不幸的是，MATLAB甚至没有提到这些方面的任何内容，因此要获得完全相同的结果可能会很困难。你真的需要完全相同的结果吗？如果两种结果的拟合优度相同，那么它们可能是同样好的拟合。我不熟悉所涉及的工具，但拟合通常需要一个起始值。这在

statsmodels

版本的文档中有明确说明，我怀疑这两种实现的起始值是不同的。不幸的是，MATLAB甚至没有提到这些方面的任何内容，因此要获得完全相同的结果可能会很困难。你真的需要完全相同的结果吗？如果两个结果的拟合优度相同，则它们可能具有相同的拟合优度。