我正在尝试使用 CVXPY 库编写逻辑回归模型。到目前为止，我编写的代码“有效”，因为它可以执行，不会产生任何错误消息，并且

我正在尝试使用 CVXPY 库编写逻辑回归模型。到目前为止，我编写的代码“有效”，因为它可以执行，不会产生任何错误消息并提供解决方案。但是，此解决方案与逻辑回归的 scikit-learn 实现提供的解决方案不匹配。

我知道 scikit-learns 实现默认包含 L2 惩罚，在下面的代码示例中，您将看到我将其更改为 None。我还从 sklearn 模型中删除了截距。但解决方案仍然不匹配：

import cvxpy as cp
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression

X, y = make_classification(n_features=10, random_state=42)

sk = LogisticRegression(penalty=None, fit_intercept=False)
sk.fit(X, y)
print(sk.coef_)

输出结果如下：

[[-13.46939518  -7.09935934  19.41989522 -10.36990818   3.76335965
2.84616038   3.32474461  -2.84162961   3.13246888   1.08887971]]

现在，cvxpy 实现：

beta = cp.Variable(X.shape[1])
log_likelihood = cp.sum(cp.multiply(y, X @ beta) - cp.logistic(X @ beta))
problem = cp.Problem(cp.Maximize(log_likelihood/X.shape[0]))
problem.solve()
beta = beta.value
print(beta)

得出解决方案：

[-31.38130594 -10.72178524  44.07489985 -34.06127916   8.01950276
   5.96941765   9.6143194   -7.88785049  12.96349703  -0.13264449]