Я обучил модель, используя классификатор LogisticRegression от scikit-learn (мультиномиальный / мультиклассовый). Затем я сохранил коэффициенты из модели в файл. Затем я загрузил коэффициенты в свою собственную реализацию softmax, что и было документация scikit-learn используется классификатором логистической регрессии для полиномиального случая. Однако прогнозы не совпадают.
- Обучение модели mlogit с помощью scikit-learn
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
import json
# Split data into train-test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
# Train model
mlr = LogisticRegression(random_state=21, multi_class='multinomial', solver='newton-cg')
mlr.fit(X_train, y_train)
y_pred = mlr.predict(X_test)
# Save test data and coefficients
json.dump(X_test.tolist(), open('X_test.json'), 'w'), indent=4)
json.dump(y_pred.tolist(), open('y_pred.json'), 'w'), indent=4)
json.dump(mlr.classes_.tolist(), open('classes.json'), 'w'), indent=4)
json.dump(mlr.coef_.tolist(), open('weights.json'), 'w'), indent=4)
- Самостоятельная реализация softmax с помощью Scipy
from scipy.special import softmax
import numpy as np
import json
def predict(x, w, classes):
z = np.dot(x, np.transpose(w))
sm = softmax(z)
return [classes[i] for i in sm.argmax(axis=1)]
x = json.load(open('X_test.json'))
w = json.load(open('weights.json'))
classes = json.load(open('classes.json'))
y_pred_self = predict(x, w, classes)
- Результаты не совпадают. По сути, когда я сравниваю
y_pred_self
сy_pred
, они не совпадают (примерно на 85% похожи).
Итак, мой вопрос в том, является ли scikit-learn softmax или predict
реализация содержит нестандартные / скрытые настройки?
Примечание: я также пробовал самореализацию в Ruby, и она также дает неверные прогнозы.