Scikit-learn: 손실 함수의 푸아송, 감마 및 트위디 계열

나는 그것에 대해 잘 알지는 못하지만 적어도 포아송 회귀를 추가해야 한다고 생각합니다.
열려 있는 예제 데이터 세트가 있습니까?
감마 손실은 어떤 종류의 데이터에 사용됩니까?

오프셋에 대해 자세히 설명해 주시겠습니까?

이것들은 모두 linear_model 의 별도 모델이 될 것이라고 생각합니다. 나는 그들이 일반적으로 l-bfgs를 사용하여 학습하는지 또는 사람들이 CD 솔버를 사용하는지 잘 모르겠습니다. @mblondel 또는 @larsmans 또는 @agramfort 가 더 많이 알고 있습니까?

포아송 분포는 카운트 데이터 모델링에 널리 사용됩니다. 시행 횟수가 무한대로 가고 확률이 0이 되고 둘 다 np가 프로세스의 평균 빈도와 같은 비율로 발생하는 이항식에 대한 정규 근사에 대한 제한 분포로 표시될 수 있습니다. 감마는 포아송 이벤트가 발생할 때까지의 시간으로 이론적으로 표시될 수 있습니다. 예를 들어 올해 발생할 사고의 수는 이론적으로 포아송으로 표시될 수 있습니다. 그리고 다음 사고까지 예상되는 시간은 감마 프로세스입니다. Tweedie는 0에 추가 가중치를 허용하는 이러한 분포의 일반화된 부모입니다. tweedie를 손실 비용을 모델링하는 것으로 생각하고 모든 고객의 99%는 가중치가 0입니다. 나머지는 긴 꼬리의 양의 손실 또는 감마가 있습니다. 실제로 이러한 분포는 보험, 위험 모델링, 재해 모델, 금융, 경제 및 사회 과학의 회귀 문제에 널리 사용됩니다. 자유롭게 위키피디아를 참조하십시오. 이러한 손실 기능을 glmnet, GBM 및 랜덤 포레스트에서 선택하고 싶습니다. 이것은 예를 들어 GBM에서 Freedman의 부스팅 알고리즘이 가우시안 또는 사분위수 손실 대신 이 손실을 사용한다는 것을 의미합니다. 감마 및 포아송(베타 tweedie)은 이미 Rs GBM 및 glm 패키지에 있으며 xgboost가 일부 지원합니다. 오프셋은 노출에 따라 데이터에 가중치를 주기 위해 실무자가 사용합니다. 일반적으로 포아송 모델에는 링크 기능이 있습니다. 예: yhat=offset x exp(회귀 모델 출력)는 로그 링크라고 하며 가장 일반적입니다. 여기에서 오프셋을 사용하면 다양한 관찰 단위에 대해 노출을 다르게 캡처할 수 있습니다. 포아송 프로세스는 가산적이지만 동일하지 않은 공간이나 시간 또는 고객 수에 대해 다른 예가 사용되었을 수 있으므로 각 관찰에 대해 오프셋 벡터가 필요합니다. 이 프로그래밍을 기꺼이 처리하고 싶지만 API에 대해 잘 알지 못하므로 제안에 감사드리며 이 작업을 올바르게 수행하고 릴리스에 적용할 수 있도록 하겠습니다.

알겠습니다. 저는 이것을 구현하기 위해 노력하고 있습니다. 위에서 언급한 세 가지 분포와 오프셋을 추가하고 있습니다. 오프셋을 구현하는 방법에 대한 일반 sklearn 청중의 피드백에 감사드립니다. GradientBoostedRegression 호출 'offset=None'에 새 인수를 추가할 계획입니다. 여기서 offset은 길이가 n(샘플 수)인 객체와 같은 벡터입니다. 내 주요 질문은 R의 GBM 구현에서 수행되는 것과 같은 모든 손실 함수(Gaussian, Huber, Quantile)에 오프셋을 추가해야 하는지 아니면 tweedie 제품군과 함께 작동하도록 오프셋을 활성화하고 시도하면 경고를 표시하도록 추가해야 하는지 여부입니다. 지원되지 않는 손실 함수와 함께 오프셋을 사용하려면?

저는 데이터 세트나 출판물에서와 같이 실용적인 사용 사례를 더 많이 요구했습니다. 나는 배포판이 무엇을하는지 알고 있습니다 ;)

귀하의 기여가 병합될 것이라고 보장할 수는 없지만 좋은 추가 기능이 될 것입니다. 시작하기 전에 더 광범위하게 논의하는 것이 좋을 것입니다. 단지 자신을 위해 구현하고 병합하더라도 상관하지 않는 한 ;)

선형 모델이 아닌 그래디언트 부스팅에 주로 관심이 있으십니까?

ping @pprett @glouppe @arjoly

나는 그것을 모든 곳에서 통합하는 데 관심이 있지만 대부분은 트리 앙상블입니다.
첫 번째. 어느 쪽이든 그들은 임의의 숲으로 상당한 양의 복제 작업을 수행합니다.
및 GBM은 모두 각 손실 함수에 대해 서로 다른 ABC를 가집니다. 그래서 난 그냥 할 수
한 번만 작동하면 불행히도 둘 다에서 작동합니다. 나도 좀 받을 수 있어
데이터세트. 이 프로세스를 병합하기 위해 프로세스는 어떻게 생겼습니까?
따라야 할까요. 나는 기여하는 것이 처음이므로 완료되었는지 확인하고 싶습니다.
오른쪽. 그러나 내가 말했듯이 GBM은 손실 클래스를 다른 것과 독립적으로 취급합니다.
sklearn에서 GBM에 대한 변경 사항이 쉽게 독립적일 수 있습니다. 나는 해야만 한다
.py 스크립트에서 코드를 편집하십시오.
2015년 12월 10일 오후 4시 57분에 "Andreas Mueller" [email protected] 이 다음과 같이 썼습니다.

데이터 세트 또는
출판물. 나는 배포판이 무엇을하는지 알고 있습니다 ;)

아마도 좋은 추가 사항이 될 것입니다.
귀하의 기여가 병합됩니다. 논의하는 것이 좋을 것 같다.
시작하기 전에 더 광범위하게
당신의 자아이며 우리가 그것을 병합해도 상관하지 않습니다 ;)

그래서 나는 당신이 선형이 아닌 그라디언트 부스팅에 주로 관심이 있다고 생각합니다.
모델?

핑 @pprett https://github.com/pprett @glouppe
https://github.com/glouppe @arjoly https://github.com/arjoly

—
이 이메일에 직접 답장하거나 GitHub에서 확인하세요.
https://github.com/scikit-learn/scikit-learn/issues/5975#issuecomment -163761067
.

위에서 ping한 GBM 전문가의 의견을 받는 것이 좋겠지만 사람들이 추가에 관심이 있는지 묻는 메일링 리스트에 글을 쓸 수도 있습니다.

L1/L2 패널티로 좌표 솔버도 지원할 계획입니까?
_glmnet처럼
?_

이 문제에 대한 업데이트가 있습니까? linear_models 에 추가된 Poisson 회귀를 보고 싶습니다. 그래서 sklearn 를 사용하는 것 외에는 모험을 할 필요가 없습니다. 아무도 적극적으로 작업하지 않으면 구현에 찔릴 수 있습니다.

아무도 AFAIK.

주저하지 말고 시도해 보고 WIP 구현을 공유하십시오.

나는 이것에 대해 일할 예정이었고 지금도 계속하고 있습니다. 그래도 내가 하면
API에 오프셋을 추가하는 깔끔한 방법이 필요합니다. 추가할까 고민하다가
오프셋 kwarg 및 기본값은 없음이 될 수 있으며 손실이 발생하면 경고를 던집니다.
포아송이 아닙니다. 나는 주로 보험 모델링을 위해 포아송을 사용합니다.
오프셋은 로그(노출 획득)입니다. 실험 및 배포를 통해 알고 있습니다.
희소 카운트 데이터의 경우 훨씬 열등한 모델을 얻을 수 있다는 이론
오프셋 없이. 현재 R의 선형 모델과 GBM은 모두 푸아송을 지원합니다.
오프셋으로. 이것이 현재 도구로의 이동입니다. 나는 이것을 추가하고 싶다
다른 사람들이 추가하려는 경우 sklearn.
2016년 5월 1일 오전 4시 3분, "Alexandre Gramfort" [email protected]
썼다:

아무도 AFAIK.

주저하지 말고 시도해 보고 WIP 구현을 공유하십시오.

—
스레드를 작성했기 때문에 이 메시지를 받는 것입니다.
이 이메일에 직접 답장하거나 GitHub에서 확인하세요.
https://github.com/scikit-learn/scikit-learn/issues/5975#issuecomment -216024458

@thenomemac 내가 살펴볼 수 있는 WIP 구현이 있습니까?

오프셋의 경우 "y" 값을 카운트 대신 비율로 만들기 위해 사용자가 오프셋/노출로 카운트를 나누도록 요구할 수 없었습니까(https://en.wikipedia.org/wiki/Poisson_regression#. 22Exposure.22_and_offset)? R의 GLM 패키지에는 모델 지정(오프셋 지정 포함)을 위한 훌륭한 인터페이스가 있지만 이것이 기존 선형 모델 API에 어떻게 맞는지는 확실하지 않습니다.

@bjlkeng 아직 WIP 구현이 완료되지 않았습니다. 얼마 전에 시작했는데 산만해졌습니다. 나는 포아송 비율을 얻기 위해 노출로 나누는 것이 포아송 손실에 대한 GBM 알고리즘의 올바른 파생이라고 생각하지 않습니다. 그래디언트의 offset=log(exposure)는 추가 요소입니다. 따라서 노출이 더 높은 "영역"에 더 많은 가중치를 효과적으로 부여하고 있습니다. 현재 트리 학습자에게 가중치를 전달하는 방식은 가산이 아닌 승법이기 때문에 기본 학습자(트리)를 피팅할 때마다 올바른 기울기로 돌아갈 수 있는지 100% 확신할 수 없습니다. 나는 내가 말하는 것에 대한 더 엄격한 수학적 파생물을 입력하려고 노력할 것입니다. 실무에서 중요하다고 말씀드릴 수 있습니다. 실제 데이터 세트에서 카운트 데이터가 포아송이 될 것으로 예상되는 곳에서 모델링했습니다. R의 gbm을 사용하면 오프셋을 "수학적으로" 올바른 방식으로 처리하기 때문에 더 빠르고 더 나은 결과로 수렴됩니다. 그리고 포아송 손실 함수가 있는 xgboost와 같은 다른 gbm 구현은 제안된 대로 포아송 비율을 사용하여 데이터를 모델링할 수도 없습니다.

(이 문제에 대한 링크는 stats.stackexchange에서 찾았습니다.

statmodels GLM에는 오프셋 및 노출이 있습니다(로그 링크에만 노출).

마스터에는 이제 좌표 하강을 위해 apython 루프를 통해 구현된 GLM 및 기타 몇 가지 모델에 대한 탄력적 네트 옵션이 있습니다(오프셋과 함께 일반 최대 가능성 사용).

마스터에는 이제 GLM용 Tweedie 제품군도 있습니다. 그러나 이는 항의 무한 합이고 잘린 버전을 계산하는 것이 느리고 일반적으로 사용되는 근사치가 매개변수 공간의 일부 범위에서 매우 정확하지 않기 때문에 전체 로그 가능성 손실 함수를 사용하지 않습니다.

따라서 참조 구현이 필요한 경우 statsmodels에는 이러한 부분이 있습니다. GLM용 GBM에 대해 들어본 적도 본 적도 없습니다. 나는 또한 scikit-learn 코드에 대해 잘 알지 못하여 그것이 어떻게 들어맞는지 알 수 있습니다.
)

@thenomemac 노출로 인해 손실 함수가 변경된다는 것은 절대적으로 옳습니다. 제가 착각했습니다. 사실, 나는 그것을 해결했다고 믿습니다. 나는 아주 초기의 WIP를 가지고 있습니다(그냥 놀고 있는 것 이상) _poisson_loss() https://github.com/bjlkeng/scikit-learn/blob/poisson_regression/sklearn/linear_model/poisson.py ).

@josef-pkt 감사합니다. statsmodels 구현을 살펴보았습니다. 실제로는 꽤 좋습니다(내가 팬이 아닌 API 제외). 실제로 "카운트" 모델이 음의 이항과 같은 다른 카운트 기반 회귀를 지원하는 경우가 좀 더 일반적입니다. statsmodel 구현은 이미 노출과 정규화를 고려합니다(이는 제가 또한 찾고 있던 것입니다).

statsmodels에 구현이 있다는 점을 감안할 때 sklearn 에 이와 같은 것을 갖는 것이 여전히 가치가 있다고 생각하십니까? 그렇다면 사용 가능한 형태로 만들기 위해 더 많은 노력을 기울일 수 있습니다. 일이 너무 바빠서 시간이 별로 없었어요.

나는 이것이 여전히 가치가 있다고 생각합니다.

@bjlkeng 댓글 감사합니다! 그것을 받아들이고 풀 리퀘스트를 하는 데 관심이 있습니까? 그렇지 않은 경우 이 문제를 해결하고 PR을 시도할 수 있습니다. 먼저 푸아송에 대해 다음에는 감마에 대해... @agramfort 괜찮습니까? :)

@raghavrv님 , 답변이 늦어 죄송합니다. 일이 꽤 바빠서 생각보다 시간이 오래 걸린다는 것도 깨달았습니다. 따라서 계속 진행해 주시기 바랍니다. statsmodel 구현에 대해 살펴보겠습니다. 여기에서 원하는 기능이 대부분 포함되어 있기 때문입니다.

@raghavrv 이 작업을 시작하셨나요? 나는 또한 sklearn에서 최소한 Poisson 회귀를 갖도록 기여할 수 있습니다.

@btabibian @raghavrv 이 상태가 어떤가요? 프로젝트에 푸아송 회귀 구현이 필요하고 기꺼이 기여할 것입니다.

진행해주세요 :) 그럴 시간이 없었어요 죄송합니다...

나는 시간이 없었습니다. 또한 API와
오프셋을 통합합니다. statsmodels에서 수학 또는 코드 예제를 보여줄 수 있습니다.
그러나 TLDR에 포아송 회귀를 사용하려면 오프셋이 필요합니다.
동일하지 않은 노출(면적 또는 시간)이 발생하면 오프셋이 필요합니다. 모델은 그렇지 않다
카운트를 노출로 나누면 올바른 가중치를 부여하십시오.

2017년 4월 1일 오후 2시 49분, "(Venkat) Raghav (Rajagopalan)" <
[email protected]>은 다음과 같이 썼습니다.

진행해주세요 :) 그럴 시간이 없었어요 죄송합니다...

—
당신이 언급되었기 때문에 이것을 받는 것입니다.
이 이메일에 직접 답장하고 GitHub에서 확인하세요.
https://github.com/scikit-learn/scikit-learn/issues/5975#issuecomment-290939521 ,
또는 스레드 음소거
https://github.com/notifications/unsubscribe-auth/AOeuWjVGf3-VmeasNHMLQAB1dnd4zuUQks5rrpw4gaJpZM4Gwd6-
.

그때부터 알아보도록 하겠습니다. @thenomemac 팁 감사합니다! 노출을 처리하는 방법을 보기 위해 statsmodels 구현을 확인하겠습니다.

안녕하세요, 업데이트가 있습니까? 음의 이항 가능성을 추가하는 것도 가능합니까? 이것은 Poisson에 큰 차이를 만들지 않아야 합니다. 그렇지 않으면 나는 이것을 조사 할 수 있습니다 ..

최상의,
시몬

안녕하세요 @dirmeier , 불행히도 그렇지 않습니다. 저는 계층적 베이지안 모델로 전환했고 포아송 회귀를 구현한 적이 없습니다.

@dirmeier , @jakobworldpeace 진행 중인 작업에 대해 알려줄 수 있습니까? 이것도 보고 넘어가도 될까요?

안녕하세요 @NickHoernle ,
나는 시간이 없기 때문에 현재 NB-회귀에 R을 사용하고 있습니다. 이것을 구현하고 싶다면 기쁠 것입니다 :)

@NickHoernle WIP는 없지만 statsmodels Poisson 회귀 구현을 시작해야 합니다.

훌륭한. 나는 이것을 살펴보기 시작하고 우리가 어디로 가는지 볼 것입니다.

저는 https://github.com/madrury/py-glm에서 GLM을 작업했습니다.

나는 이것을 sklearn에 병합하려는 것이 아니라 실제로 학생들이 수업에서 사용하기 위한 것이지만 이 문제를 다루는 사람에게 유용할 경우를 대비하여 작업을 지적하고 싶습니다.

높은 수준으로 확장하는 데 어려움을 겪을 뉴턴 방식의 솔버
치수. 또한 L1 유형 패널티를 지원하지 않습니다. API도 확인하세요.
sklearn과의 일관성. 맞춤은 X, y 및 sample_weights만 취해야 합니다.

확장성 문제를 해결하기 위해 가장 먼저 할 일은 l-bfgs를 사용하는 것입니다. 보다
우리의 로지스틱 회귀 코드

HTH

내가 말했듯이 내 목표는 sklearn과의 완전한 일관성이 아니라 MuCullagh 및 Nelder를 따르고 일부 추론 도구(sklearn의 범위를 벗어남)를 제공하는 간단한 구현을 갖는 것입니다. 중간 크기의 데이터 세트에 대한 강의실 환경에서 사용하기 위한 것입니다. sklearn을 위해 이 기능을 작업하는 사람에게 유용한 아이디어가 있는 경우를 대비하여 여기에 코드를 연결하고 싶었습니다.

L1 페널티를 범위로 생각하지 않고 glmnet 만 사용할 것입니다. L2는 내가 계속해서 추가한 고전적인 GLM 프레임워크에 통합하기에 충분히 간단합니다.

fit 방법에 관해서는 여기에 작은 설명을 덧붙이겠습니다. 잘못된 것이 아니기를 바랍니다. 적합하도록 제공된 offset 의 부족은 sklearn이 지난 직장에서 주목받지 못한 이유의 큰 부분이었습니다. 적절한 보험 모델링을 하기 위해서는 정말 필요합니다. 규제 기관은 Poisson 및 Tweedie 모델이 그런 식으로 적합할 것으로 기대하며 기대치가 상당히 엄격할 수 있습니다.

비전을 명확히 해주셔서 감사합니다.

오프셋과 관련하여 푸아송 및 트위디 모델에만 해당됩니까?
샘플 특정 값인 경우 피팅에서 sample_prop이 될 수 있습니다.
매개변수.
데이터에 의존하지 않는 max_iter 또는 tol일 뿐입니다.
초기화

#9405와 비교해야 합니까?

@agramfort 당신은 max_iter와 tol에 대해 옳습니다. 나는 그것들을 __init__으로 옮길 것입니다.

sample_prop 의 의미에 대한 참조가 있습니까?

https://github.com/scikit-learn/enhancement_proposals/pull/6 참조

가장 좋은 방법이 무엇인지 아직 논의 중입니다...

오프셋에 대한 짧은 참고 사항: AFAIK, 샘플 가중치는 노출을 처리하기에 충분합니다. 즉, y=values/exposure를 sample_weight=exposure로 맞추면 작업을 수행하고 로그 링크가 있는 Poisson 이외의 다른 배포 및 링크에 일반화됩니다.

@madrury 공유해주셔서 감사합니다. 나는 당신의 구현을 살펴보고 내 것과 비교할 것입니다.

사람들이 여전히 이것에 관심이 있습니까? 나는 기여에 관심이 있을 것입니다.

누군가 sklearn을 추가하면 기능에 여전히 관심이 있습니다.

2017년 12월 21일 목요일 오후 6:04 Jared Samet 알림 @github.com
썼다:

사람들이 여전히 이것에 관심이 있습니까? 나는 기여에 관심이 있을 것입니다.

—
당신이 언급되었기 때문에 이것을 받는 것입니다.
이 이메일에 직접 답장하고 GitHub에서 확인하세요.
https://github.com/scikit-learn/scikit-learn/issues/5975#issuecomment-353479618 ,
또는 스레드 음소거
https://github.com/notifications/unsubscribe-auth/AOeuWtvi4Um_o_ERuVe1ob86201G-ASdks5tCuP4gaJpZM4Gwd6-
.

@oracleofnj @thenomemac

py-glm 라이브러리에 검증된 일반 glm 구현이 있지만 sklearn에 병합할 계획이 없습니다(sklearn과 호환되지 않는 디자인 결정을 내림). 다른 지수군을 추가하기가 매우 쉽도록 설정되어 있습니다.

나는 또한 동일한 라이브러리에서 동일한 지수 패밀리를 지원하는 완전하고 순수한 python glmnet 구현을 가지고 있지만 버그에 걸려서 내려 놓았습니다. 버그를 통해 추론하는 데 도움이 되었으면 합니다. 다시 복구할 동기가 필요합니다.

@madrury 해당 버그를 도와드릴 수 있게 되어 기쁩니다.

안녕하세요, 이러한 배포판을 위해 구축된 것이 있습니까? 업데이트가 궁금합니다. 감사 해요.

기여자를 돕기 위해 이 문제를 닫는 것이 개인적으로 좋습니다.
집중하다. 원인:

• 파이썬 풍경이 바뀌었다

• statsmodels는 이제 훨씬 더 성숙해졌으며 다음과 같은 배포판을 포함합니다.
  적절한 노출 가중치

• pytorch 또는 tensorflow를 통한 jit 기반 구현을 통해
  성능 저하 또는 패키지 없이 모든 난해한 손실을 구현합니다.
  재컴파일

생각?

우리는 현재 다음을 돕기 위해 리소스를 할당하고 있습니다.
https://github.com/scikit-learn/scikit-learn/pull/9405
그리고 그것을 (적어도 일부) 마스터에 착륙시키십시오. 극복해야 한다
다음 달.

멋진 일 !

2019년 4월 13일 토요일 오전 3:27 Alexandre Gramfort [email protected]
썼다:

우리는 현재 다음을 돕기 위해 리소스를 할당하고 있습니다.
https://github.com/scikit-learn/scikit-learn/pull/9405
그리고 그것을 (적어도 일부) 마스터에 착륙시키십시오. 극복해야 한다
다음 달.

—
당신이 언급되었기 때문에 이것을 받는 것입니다.
이 이메일에 직접 답장하고 GitHub에서 확인하세요.
https://github.com/scikit-learn/scikit-learn/issues/5975#issuecomment-482784732 ,
또는 스레드 음소거
https://github.com/notifications/unsubscribe-auth/AOeuWj8PD0nfltM7Acg12Pfhl4sG5n7Fks5vgYbogaJpZM4Gwd6-
.

sciki-learn에 GLM이 있으면 좋을 것입니다. 이렇게 하면 다른 언어로 이동할 필요가 줄어듭니다. 기대됩니다.

동의. R 세계에서 온 나는 sklearn에 GLM 기능이 아직 없다는 사실에 놀랐습니다. 곧 그렇게 되기를 바랍니다.

sklearn에 GLM을 포함하기 위해 또 다른 투표를 추가하겠습니다. 학부 통계 프로그램에서 가르치는 모델의 핵심 클래스입니다. 또한 사용자 매뉴얼에 링크 기능이나 오류 분포에 대한 논의가 포함되지 않은 "일반화된 선형 모델" 섹션이 있다는 사실은 저에게 놀라운 일입니다.

@patrickspry Statsmodels는 학부생이 배울 수 있는 대부분의 GLM을 잘 구현했습니다.

@patrickspry https://github.com/scikit-learn/scikit-learn/pull/9405 에 상당히 완전한 PR이 있으며 해당 기능을 병합하기 위한 작업이 진행 중입니다.

오, 환상적이야! 감사합니다!

PR 병합에 대한 예상 일정은 무엇입니까? 감사 해요.

@Jiang-Li 여기를 참조 하십시오

선형 모델의 경우 #14300이 있습니다. 그런 다음 공개 문제 #15123이 있습니다. 개인적으로 tweedie 손실 함수가 있는 트리 기반 모델을 보고 싶습니다.

선형 모델의 경우 #14300이 이제 병합되지만 추가 기능은 여전히 ​​추가될 수 있습니다. https://github.com/scikit-learn/scikit-learn/pull/9405#issuecomment -594553953

개인적으로 tweedie 손실 함수가 있는 트리 기반 모델을 보고 싶습니다.

그것은 실제로 다음 단계가 될 수 있습니다(예: https://github.com/scikit-learn/scikit-learn/issues/15123#issuecomment-542090766)

Poisson, gamma 및 tweedie를 포함하는 sklearn 0.23의 훌륭한 작업을 보는 것은 인상적입니다. 앞으로 더 많은 개선 사항을 볼 수 있기를 바랍니다.
사용자 가이드를 읽고 로지스틱 회귀는 일반화 선형 회귀의 외부에 있습니다. 아마도 일반화 선형 회귀 섹션에서 로지스틱 회귀가 GLM의 한 유형이고 동일한 이탈도 손실 함수를 사용하여 해결할 수 있다는 것을 언급하는 단어가 최소한 있을 것입니다.

#14300이 병합되었으므로 이제 문제를 종료할 수 있습니까?

사용자 가이드를 읽고 로지스틱 회귀는 일반화 선형 회귀의 외부에 있습니다. 아마도 일반화 선형 회귀 섹션에서 로지스틱 회귀가 GLM의 한 유형이고 동일한 이탈도 손실 함수를 사용하여 해결할 수 있다는 것을 언급하는 단어가 최소한 있을 것입니다.

피드백을 보내주셔서 감사합니다 @magicmathmandarin ! 네 그럼요. 원래 PR https://github.com/scikit-learn/scikit-learn/pull/9405 에는 실제로 이진 로지스틱 회귀에 대한 BinomialDistribution의 이탈이 포함되어 있습니다. 첫 번째 병합된 PR에 포함하지 않은 이유는 그것들이 실제로 동일한 이론적 프레임워크의 일부이더라도 현재로서는 전문화된 LogisticRegression 구현이 여전히 권장되기 때문입니다(사용자가 더 잘 테스트하고 더 많은 옵션을 처리하며, 예: 다중 클래스), 그리고 우리는 사용자를 혼란스럽게 하고 싶지 않았습니다. 이제 병합되었으므로 그 부분을 더 잘 공식화할 수 있다는 데 동의합니다.

#14300이 병합되었으므로 이제 문제를 종료할 수 있습니까?

확신하는. https://github.com/scikit-learn/scikit-learn/issues/16668 , https://github.com/scikit-learn/scikit-learn/pull/16692 및 https: //github.com/scikit-learn/scikit-learn/issues/15123.