Python 重写statsmodels GLM中的predict（）以在sklearn上下文中使用

为了在sklearn的上下文中使用statsmodels的Poisson GLM模型，我试图建立一个自己的模型，它继承了GLM，BaseEstimator ans RegregatorMixin。我的目标是做交叉验证之类的事情。这是我的代码：

import statsmodels.api as sm
from sklearn.base import BaseEstimator, RegressorMixin

class GLM_sklearn(sm.GLM, BaseEstimator, RegressorMixin):
    def __init__(self, X, y, family=sm.families.Poisson()):
        super().__init__(y, X, family=family)

    def fit(self, **kwargs):
        self.results_ = super().fit()

        self.coef_ = self.results_.params.values
        self.bse_ = self.results_.bse.values

        return self

    def predict(self, X, **kwargs):
        return self.results_.predict(X)

fit方法工作正常，但我在重写predict（）时遇到了一个问题。要进行预测，我需要结果实例的预测方法（GLMResultsWrapper）。所以我想重写GLM.predict方法（它还有另一个功能）。正如在代码中尝试的那样，我得到了预期的错误：

预测结果=self.model.predict（self.params，exog，*args，**kwargs） TypeError:predict（）接受2个位置参数，但给出了3个

---

是否有可能“完全”覆盖predict方法？

而不是从这三个方法继承，这可能会导致一个父类覆盖另一个成员的问题。您可能希望GLM_sklearn拥有sm.GLM和RegregatorMin的实例，并且只从BaseEstimator继承。然后，您可以按照自己的意愿实现fit和predict，而不必担心父类的成员。

而不是从所有三个类继承，这可能会导致诸如一个父类覆盖另一个父类成员之类的问题，您可能希望GLM_sklearn拥有sm.GLM和RegregatorMin的实例，并且只从BaseEstimator继承。然后，您可以按照自己的意愿实现fit和predict，而不必担心父类的成员。

您需要删除一个过多的参数：

predict\u results=self.model.predict（self.params，exog，*args，**kwargs）

-->

predict\u results=self.model.predict（self.params，exog，**kwargs）

。预测函数您定义它的方式需要X和kwargs，但是您试图在调用站点传递更多内容，您需要删除一个过多的arg：

predict\u results=self.model.predict（self.params，exog，*args，**kwargs）

-->predict\u results=self.model.predict（self.params，exog，**kwargs）。您定义的预测函数需要X和kwargs，但您尝试在呼叫站点传递更多信息谢谢您的回答。这就是我要做的事。我认为完全使用继承会更好。谢谢你的回答。这就是我要做的事。我认为完全使用继承会更好。