Python statsmodels与scikit learn的逻辑回归：预测差异较大

我使用Python库statsmodels和scikit learn进行逻辑回归和预测。类概率预测结果差异很大。我知道这个解是通过数值计算得出的，但是，我希望结果只会略有不同。我的期望是，双方都默认使用逻辑功能-这是正确的还是我需要设置任何选项

这是我的statsmodels代码：

将numpy导入为np
从sklearn.linear_模型导入逻辑回归
x=np.数组（[1,2,3,4,5]）。重塑（-1,1））
y=np.数组（[0,0,1,1,1]）
模型=逻辑回归（）
模型拟合（x，y）
模型预测概率（np.数组（[2.5,7]）。重塑（-1,1））

即1类的预测值为0.521和0.992

如果改用scikit learn，则得到0.730和0.942：

将statsmodels.api导入为sm
x=[1,2,3,4,5]
y=[0,0,1,1,1]
模型=sm.Logit（y，x）
结果=model.fit（）
结果摘要（）
结果：预测（[2.5,7]）

（作为旁注：如果我使用R而不是Python，预测值是0.480和1.000，也就是说，它们又是完全不同的。）

我怀疑这些差异不是数值上的，但背后有一个分析的数学原因，例如使用了不同的函数。有人能帮忙吗

---

谢谢

我现在找到了解决办法。有两个原因：

（1） scikit学习在默认情况下使用正则化，必须将其关闭。通过将scikit学习代码中的第5行更改为：

model = LogisticRegression(penalty='none')

（2） Yati Raj提到的那个-谢谢你的提示！Statsmodels不会自动拟合截距。这可以通过添加行来更改

x = sm.add_constant(x)

---

在statsmodels代码中。

Statmodels不会自动在线性方程中添加截距列。你查过了吗？

model = LogisticRegression(penalty='none')

x = sm.add_constant(x)