Каков результат методов densify () и sparsify () программы sklearn LogisticRegression - PullRequest
Новая
       114

Каков результат методов densify () и sparsify () программы sklearn LogisticRegression

1 голос
/ 08 мая 2020

Мне интересно, что возвращают методы sklearn logisticRegression densify() и sparsify()?

Я думал, что эти методы будут печатать матрицу, включающую coef_ info, вместо вывода, как показано ниже.

Просто любопытно, как распечатать плотную coef_ или разреженную coef_ матрицу, как указано в документе. 

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

df = pd.read_csv('https://raw.githubusercontent.com/justmarkham/pandas-videos/master/data/titanic_train.csv')
df = df.dropna(how='any', subset = ['Age','Fare','Sex'])
df['Sex'] = df['Sex'].map({'male':0, 'female':1})
X = df[['Age','Fare','Sex']]
y = df['Survived']


X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.3, random_state = 1)

logreg = LogisticRegression()
logreg.fit(X_train, y_train)
y_pred = logreg.predict(X_test)


logreg.densify()
#Output
<bound method SparseCoefMixin.densify of LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='auto', n_jobs=None, penalty='l2',
                   random_state=None, solver='lbfgs', tol=0.0001, verbose=0,
                   warm_start=False)>


logreg.sparsify()
#Output
LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='auto', n_jobs=None, penalty='l2',
                   random_state=None, solver='lbfgs', tol=0.0001, verbose=0,
                   warm_start=False)

1 Ответ

0 голосов
/ 08 мая 2020

Присмотревшись к документации , мы видим:

densify ( self ):

Преобразование матрицы коэффициентов в формат плотного массива.

Преобразует элемент coef_ (задний) в numpy .ndarray. Это формат по умолчанию coef_

sparsify ( self ):

Преобразование матрицы коэффициентов в формат разреженного массива.

Преобразует член coef_ в матрицу scipy.sparse

Итак, влияние обоих этих методов на возвращаемую матрицу коэффициентов coef_ (преобразование из плотного в разреженный формат), и это действительно не очевидно в сводке модели, которые они оба показывают как выходные данные при вызове.

Вот простая демонстрация с данными диафрагмы: 

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression

X, y = load_iris(return_X_y=True)
clf = LogisticRegression(random_state=0)
clf.fit(X, y)

# by default, the coefficients are in dense format (numpy.ndarray):
clf.coef_
# array([[-0.41878528,  0.96703041, -2.5209973 , -1.08417682],
#        [ 0.53124457, -0.31475282, -0.20008433, -0.94861142],
#        [-0.1124593 , -0.65227759,  2.72108162,  2.03278825]])

type(clf.coef_)
# numpy.ndarray

# switch to sparse format:
clf.sparsify()
clf.coef_
# <3x4 sparse matrix of type '<class 'numpy.float64'>'
#   with 12 stored elements in Compressed Sparse Row format>

type(clf.coef_)
# scipy.sparse.csr.csr_matrix

# switch back to dense format:
clf.densify()

type(clf.coef_)
# numpy.ndarray
...