معرفی شرکت ها
firthlogist-0.5.0
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Python implementation of Logistic Regression with Firth's bias reduction
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | firthlogist-0.5.0 |
| نام | firthlogist |
| نسخه کتابخانه | 0.5.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Jon Luo |
| ایمیل نویسنده | jzluo@alumni.cmu.edu |
| آدرس صفحه اصلی | https://github.com/jzluo/firthlogist |
| آدرس اینترنتی | https://pypi.org/project/firthlogist/ |
| مجوز | MIT |
# firthlogist
[](https://pypi.org/project/firthlogist/)
[](https://github.com/jzluo/firthlogist/blob/master/LICENSE)
A Python implementation of Logistic Regression with Firth's bias reduction.
## Installation
pip install firthlogist
## Usage
firthlogist is sklearn compatible and follows the sklearn API.
```python
>>> from firthlogist import FirthLogisticRegression, load_sex2
>>> fl = FirthLogisticRegression()
>>> X, y, feature_names = load_sex2()
>>> fl.fit(X, y)
FirthLogisticRegression()
>>> fl.summary(xname=feature_names)
coef std err [0.025 0.975] p-value
--------- ---------- --------- --------- ---------- -----------
age -1.10598 0.42366 -1.97379 -0.307427 0.00611139
oc -0.0688167 0.443793 -0.941436 0.789202 0.826365
vic 2.26887 0.548416 1.27304 3.43543 1.67219e-06
vicl -2.11141 0.543082 -3.26086 -1.11774 1.23618e-05
vis -0.788317 0.417368 -1.60809 0.0151846 0.0534899
dia 3.09601 1.67501 0.774568 8.03028 0.00484687
Intercept 0.120254 0.485542 -0.818559 1.07315 0.766584
Log-Likelihood: -132.5394
Newton-Raphson iterations: 8
```
### Parameters
`max_iter`: **_int_, default=25**
 The maximum number of Newton-Raphson iterations.
`max_halfstep`: **_int_, default=25**
 The maximum number of step-halvings in one Newton-Raphson iteration.
`max_stepsize`: **_int_, default=5**
 The maximum step size - for each coefficient, the step size is forced to
be less than max_stepsize.
`pl_max_iter`: **_int_, default=100**
 The maximum number of Newton-Raphson iterations for finding profile likelihood confidence intervals.
`pl_max_halfstep`: **_int_, default=25**
 The maximum number of step-halvings in one iteration for finding profile likelihood confidence intervals.
`pl_max_stepsize`: **_int_, default=5**
 The maximum step size while finding PL confidence intervals - for each coefficient, the step size is forced to
be less than max_stepsize.
`tol`: **_float_, default=0.0001**
 Convergence tolerance for stopping.
`fit_intercept`: **_bool_, default=True**
 Specifies if intercept should be added.
`skip_pvals`: **_bool_, default=False**
 If True, p-values will not be calculated. Calculating the p-values can
be expensive if `wald=False` since the fitting procedure is repeated for each
coefficient.
`skip_ci`: **_bool_, default=False**
 If True, confidence intervals will not be calculated. Calculating the confidence intervals via profile likelihoood is time-consuming.
`alpha`: **_float_, default=0.05**
 Significance level (confidence interval = 1-alpha). 0.05 as default for 95% CI.
`wald`: **_bool_, default=False**
 If True, uses Wald method to calculate p-values and confidence intervals.
`test_vars`: **Union[int, List[int]], default=None**
 Index or list of indices of the variables for which to calculate confidence intervals and p-values. If None, calculate for all variables. This option has no effect if `wald=True`.
### Attributes
`bse_`
 Standard errors of the coefficients.
`classes_`
 A list of the class labels.
`ci_`
  The fitted profile likelihood confidence intervals.
`coef_`
 The coefficients of the features.
`intercept_`
 Fitted intercept. If `fit_intercept = False`, the intercept is set to zero.
`loglik_`
 Fitted penalized log-likelihood.
`n_iter_`
 Number of Newton-Raphson iterations performed.
`pvals_`
 p-values calculated by penalized likelihood ratio tests.
## References
Firth, D (1993). Bias reduction of maximum likelihood estimates.
*Biometrika* 80, 27–38.
Heinze G, Schemper M (2002). A solution to the problem of separation in logistic
regression. *Statistics in Medicine* 21: 2409-2419.
نیازمندی
| مقدار | نام |
|---|---|
| >=1.22.4,<2.0.0 | numpy |
| >=1.1.1,<2.0.0 | scikit-learn |
| >=0.8.10,<0.9.0 | tabulate |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.8,<3.11 | Python |
نحوه نصب
نصب پکیج whl firthlogist-0.5.0:
pip install firthlogist-0.5.0.whl
نصب پکیج tar.gz firthlogist-0.5.0:
pip install firthlogist-0.5.0.tar.gz