用Sklearn和Statsmodels来做linear_regression和Logistic_regression注意事项，区别。主要在于 intercept 项，和 regularization。
X = np.array([-1, 0, 1]) # 自变量
Y = np.array([-2, 0, 5]) # 因变量
一、Linear regression 的截距项
又叫 intercept, constant, bias
- 在使用 statsmodels 进行线性回归时，
(1) 通常需要手动添加常数项（即截距），因为 statsmodels 的 OLS 默认不包括截距。这可以通过使用 statsmodels.tools.add_constant 函数来实现。例如，如果你有一个因变量 y 和一个自变量 X，你可以这样添加常数项：
import statsmodels.api as sm
X = sm.add_constant(X) # 添加常数项
model = sm.OLS(Y, X).fit()
这样，X 中就会包含一个值全为 1 的列，它代表了截距项。在 statsmodels 中，add_constant 方法是添加常数项的标准做法 。
(2) 注意在计算 y_pred 时，必须要用 X_poly。建立方法如下：
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
def my_use_linear_regres(X, Y):
# 转换数据的形状
X = X.reshape(-1, 1)
# 创建一个PolynomialFeatures实例，degree指定多项式的度数
poly = PolynomialFeatures(degree=1) # change this!!!!!!!!!!!!!!!
# 转换X
X_poly = poly.fit_transform(X)
return X_poly
或者：
# 构建设计矩阵
# X_poly = np.vstack([np.ones(len(X)), X, X**2]).T # 对于二次多项式，我们需要添加X的平方项
X_poly = np.vstack([np.ones(len(X)), X]).T
print(X_poly)
X_poly = my_use_linear_regres(X, Y)
Y_pred = model_mine.predict(X_poly)
Y_pred
- 而在 scikit-learn 中，当你使用 LinearRegression 类时，
(1) 是否添加常数项（截距）是由类初始化时的 fit_intercept 参数决定的。如果 fit_intercept=True（默认值），则 scikit-learn 会自动为你的模型添加常数项：
from sklearn.linear_model import LinearRegression
# 创建线性回归模型实例，自动添加常数项
model = LinearRegression(fit_intercept=True)
model.fit(X, y)
在这种情况下，你不需要手动添加常数项，因为 scikit-learn 已经为你处理了（我没试过） 。
或者，你自己加一个 X_poly：
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
def my_use_linear_regres(X, Y):
# 转换数据的形状
X = X.reshape(-1, 1)
# 创建一个PolynomialFeatures实例，degree指定多项式的度数
poly = PolynomialFeatures(degree=1) # change this!!!!!!!!!!!!!!!
# 转换X
X_poly = poly.fit_transform(X)
# 创建线性回归模型实例
model = LinearRegression()
# 拟合模型
model.fit(X_poly, Y)
return model
(2) 预测 y_pred 的时候，自己写式子。
二、Logistic Regression 的截距项和L2 Regularization
在进行逻辑回归时，scikit-learn 和 statsmodels 这两个库有一些关键的区别，特别是在截距项和正则化方面。
截距项
• scikit-learn：默认情况下，scikit-learn 的 LogisticRegression 类会添加一个截距项。如果你想显式地控制是否添加截距项，可以通过设置 fit_intercept 参数为 True 或 False 来实现。（别用它，它自动加一个 L2，不好控制。）
• statsmodels：
使用 smf.glm （广义线性模型）时，是默认自动加一个截距项的！ Logistic regression 是 GLM 的特例，其中响应变量是二元的，并且遵循二项分布。链接函数通常是 logit 函数。
naive_model = smf.glm('default~student+balance+income', data=train_default, family=sm.families.Binomial()).fit()
print(naive_model.summary())
（别的：在 statsmodels 中，当你使用 Logit 函数时，默认情况下不会包括截距项。如果你需要包括截距项，需要在模型公式中显式地包含它，例如使用 “y ~ x1 + x2 + const” 这样的公式，其中 const 就是截距项。这是 AI 说的，我没用过。）
正则化
• scikit-learn：scikit-learn 的 LogisticRegression 类支持 L1 和 L2 正则化，这可以通过设置 penalty 参数为 ‘l1’ 或 ‘l2’ 来实现。L1 正则化可以导致稀疏解，而 L2 正则化则不会。正则化的强度可以通过 C 参数来控制，C 的值越小，正则化强度越大。
在 scikit-learn 的 LogisticRegression 类中，默认的正则化是 L2 正则化 。这意味着它会使用一个正则化项，即系数的平方和，来防止模型过拟合。L2 正则化有助于处理特征多重共线性问题，并能够使模型参数更加平滑。
默认情况下，LogisticRegression 的 penalty 参数设置为 ‘l2’，同时 solver 参数默认为 ‘lbfgs’，它是一种优化算法，用于找到损失函数的最小值。C 参数控制正则化的强度，其默认值是 1.0，较小的 C 值意味着更强的正则化（即更平滑的模型），而较大的 C 值则意味着更弱的正则化（允许模型更复杂）。fit_intercept 参数默认为 True，表示模型会包含截距项。
如果你希望使用 L1 正则化或者不使用正则化，可以通过调整 penalty 参数来实现。例如，设置 penalty=‘l1’ 可以应用 L1 正则化，而设置 penalty=‘none’ 则不使用正则化。不过需要注意的是，当使用 liblinear 求解器时，不支持不使用正则化的情况。
此外，LogisticRegression 还支持弹性网正则化（‘elasticnet’），它是 L1 和 L2 正则化的组合，通过 l1_ratio 参数来控制两者的比例。
• statsmodels：statsmodels 的逻辑回归实现默认情况下不包括正则化。如果你需要应用正则化，可能需要通过手动修改设计矩阵或使用其他方法来实现。
·
如果你需要更多的自动化和快速原型设计，scikit-learn 可能是更好的选择。而如果你需要更深入地了解模型的细节和定制，statsmodels 可能更适合你的需求。
