Seaborn Regplot 和 Scikit-Learn 逻辑模型的计算方式不同？

Question

我同时使用 Scikit-Learn 和 Seaborn 逻辑回归函数——前者用于提取模型信息（即对数赔率、参数等），后者用于绘制拟合概率估计的结果 sigmoidal 曲线。

也许我的直觉对于如何解释这个情节是不正确的，但我似乎没有得到我期望的结果：

#Build and visualize a simple logistic regression
ap_X = ap[['TOEFL Score']].values 
ap_y = ap['Chance of Admit'].values

ap_lr = LogisticRegression()
ap_lr.fit(ap_X, ap_y)

def ap_log_regplot(ap_X, ap_y):
    plt.figure(figsize=(15,10))
    sns.regplot(ap_X, ap_y, logistic=True, color='green')
    return None

ap_log_regplot(ap_X, ap_y)
plt.xlabel('TOEFL Score')
plt.ylabel('Probability')
plt.title('Logistic Regression: Probability of High Chance by TOEFL Score')
plt.show

看起来不错，但是我尝试使用predict_probaScikit-Learn 中的函数来查找Chance to Admit给定某个任意值的概率TOEFL Score（在本例中为108、104和 112）：

eight = ap_lr.predict_proba(108)[:, 1]
four = ap_lr.predict_proba(104)[:, 1]
twelve = ap_lr.predict_proba(112)[:, 1]
print(eight, four, twelve)

我得到的地方：

[0.49939019] [0.44665597] [0.55213799]

对我来说，这似乎表明托福分数为 112，根据此数据集，个人有 55% 的机会被录取。如果我要从 x 轴上的 112 延长一条垂直线到 sigmoid 曲线，我预计交点在 0.90 左右。

我是否正确解释/建模？我意识到我正在使用两个不同的包来计算模型系数，但是使用另一个使用不同数据集的模型，我似乎得到了符合逻辑曲线的正确预测。

有什么想法还是我完全不准确地建模/解释了这个？

Answer 1

经过一番搜索后，交叉验证为我的问题提供了正确的答案。尽管它已经存在于 Cross-Validated 上，但我也想在 Stack Overflow 上提供这个答案。

简而言之，Scikit-Learn 自动向逻辑模型添加正则化惩罚，从而缩小系数。Statsmodels 不添加此惩罚。显然没有办法关闭它，因此必须将实例化C=中的参数设置LogisticRegression为某个任意高的值，例如C=1e9。

尝试此操作并将 Scikit-Learn与（使用 statsmodels 进行计算）predict_proba()生成的 S 形图进行比较后，概率估计值一致。regplot

链接到全文：https://stats.stackexchange.com/questions/203740/logistic-regression-scikit-learn-vs-statsmodels