Por que a regressão logística no Spark e R retorna modelos diferentes para os mesmos dados?

7

Comparei os modelos de regressão logística em R ( glm) e Spark (LogisticRegressionWithLBFGS ) em um conjunto de dados de 390 obs. de 14 variáveis.

Os resultados são completamente diferentes na interceptação e nos pesos. Como explicar isso?

Aqui estão os resultados do Spark (LogisticRegressionWithLBFGS):

model.intercept  : 
 1.119830027739959
model.weights :
 GEST    0.30798496002530473
 DILATE  0.28121771009716895
 EFFACE  0.01780105068588628
 CONSIS -0.22782058111362183
 CONTR  -0.8094592237248102
 MEMBRAN-1.788173534959893
 AGE    -0.05285751197750732
 STRAT  -1.6650305527536942
 GRAVID  0.38324952943210994
 PARIT  -0.9463956993328745
 DIAB   0.18151162744507293
 TRANSF -0.7413500749909346
 GEMEL  1.5953124037323745

Aqui está o resultado de R:

             Estimate Std. Error z value Pr(>|z|)   
(Intercept)  3.0682091  3.3944407   0.904 0.366052    
GEST         0.0086545  0.1494487   0.058 0.953821    
DILATE       0.4898586  0.2049361   2.390 0.016835 *  
EFFACE       0.0131834  0.0059331   2.222 0.026283 *  
CONSIS       0.1598426  0.2332670   0.685 0.493196    
CONTR        0.0008504  0.5788959   0.001 0.998828    
MEMBRAN     -1.5497870  0.4215416  -3.676 0.000236 ***   
AGE         -0.0420145  0.0326184  -1.288 0.197725    
STRAT       -0.3781365  0.5860476  -0.645 0.518777    
GRAVID       0.1866430  0.1522925   1.226 0.220366    
PARIT       -0.6493312  0.2357530  -2.754 0.005882 **  
DIAB         0.0335458  0.2163165   0.155 0.876760    
TRANSF      -0.6239330  0.3396592  -1.837 0.066219 .  
GEMEL        2.2767331  1.0995245   2.071 0.038391 *  
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
machine-learning r logistic-regression apache-spark SparkUser
fonte
11
Eu não chamaria o BFGS de memória limitada de "regressão logística simples". Exceto, eu acho, no sentido de que as bibliotecas modernas fazem técnicas complexas muito acessível :)
nealmcb
Você está certo. Você conhece uma maneira de implementar o BFGS de memória limitada com R?
SparkUser
Além disso, suspeite que tenha algo a ver com a função de perda csie.ntu.edu.tw/~cjlin/papers/spark-liblinear/… (Sec - IIIA) @SparkUser - é possível executar LogisticRegressionWithLBFGS sem os padrões e, em seguida, compare os coeficientes com o R - glm padrão.
user45409

Respostas:

6

Uma rápida olhada nos documentos para LogisticRegressionWithLBFGS indica que ele usa o dimensionamento de recursos e a regularização L2 por padrão. Suspeito que R glmesteja retornando uma estimativa de probabilidade máxima do modelo, enquanto o Spark LogisticRegressionWithLBFGSestá retornando uma estimativa de modelo regularizada. Observe como os pesos estimados do modelo Spark são todos menores em magnitude do que os do modelo R.

Não tenho certeza se o glmR está implementando ou não a escala de recursos, mas isso também contribuiria para diferentes valores de modelo.

Ryan J. Smith
fonte
Não tenho certeza se é possível usar o dimensionamento de recursos no R .. Não consigo encontrá-lo. Você sabe como executar regressão logística com o LBFGS usando R para comparar os dois modelos?
SparkUser
Aqui, verifique a documentação da função glmnetdo glmnetpacote e look and parâmetro standardize http://cran.r-project.org/web/packages/glmnet/glmnet.pdf - há também o uso possibleto regularização
Marcin Kosiński