Python中的加权logistic回归

我正在寻找Python中逻辑回归（非正则化）的良好实现。我正在寻找一个包，也可以得到每个向量的权重。有人能提出一个好的实施/方案吗？

---

谢谢

你认识努比吗？如果没有，请看一下Scipy和matplotlib。

看一看

我注意到这个问题现在已经很老了，但希望这能帮助一些人。使用sklearn，您可以使用SGDClassizer类创建逻辑回归模型，只需输入“log”作为损失：

sklearn.linear_model.SGDClassifier(loss='log', ...).

此类在

fit（）函数中实现加权样本：

classifier.fit(X, Y, sample_weight=weights)

其中，权重是包含样本权重的数组，样本权重的长度（显然）必须与X中的数据点数相同

有关完整文档，请参阅。
我认为您需要的是
statsmodels
。它非常支持GLM和其他线性方法。如果您来自R，您会发现语法非常熟悉


平衡模式使用y值自动调整权重，与输入数据中的类别频率成反比，作为n_样本/（n_类别*np.bincount（y））

编辑

可以在拟合方法中添加样本权重。您只需传递一个n_样本数组。查阅文件-


希望如此…
pssible在这篇文章中没有任何相关内容，我也尝试过使用scipy，但找不到任何权重的使用…scipy或Numpy dot有任何逻辑回归实现（或者我找不到任何…）。matplotlib主要用于图形、绘图等…谢谢！我看到了，但是它实现了L2正则化逻辑回归（而不是正则逻辑回归），而且它没有实现权重…
sklearn.linear\u模型。逻辑回归是一个类，他的
fit
方法让你定义了权重。@ohe如何？我找到了
fit
方法，但它只接受标签和特征的参数。“不是重量，”肯特蒙斯斯佩森说，“我的回答很老套！此时，
fit
方法采用了
class\u权重
参数。它现在位于th
\uuuu init\uuuu
中。这可能是你在看的东西。@ohe，这解释了很多。谢谢你4年后回来。我认为问题是关于训练的加权实例，而不仅仅是班级权重。至少，这是我一直在寻找的。由Olivier Grisel支持，这对多类问题使用了一对一，看起来它不支持
LogisticRegression
中的
multi\u class='multinomial'
选项，这是指类不平衡，但是如果我们想对每个样品使用单独的重量呢？好问题@mrglud！您可以通过提供权重的dict而不是“平衡”来指定权重。与{class_label:weight}形式的类关联的权重。如果没有给出，所有的类都应该有一个重量。我需要每个样本单独的重量，而不是每个类。我不认为这是现成的。您可能需要使用自己版本的成本函数和梯度下降更新来实现这一点。此statsmodels解决方案是否还会为每个因变量提供p值？
from sklearn.linear_model import LogisticRegression

model = LogisticRegression(class_weight='balanced')

model = model.fit(X, y)