python logistic回归_sklearn逻辑回归如何计算系数p值

1.背景：statsmodels包是统计学开发的python包，专门处理统计检验和统计模型，所以statsmodel包有很完善的很漂亮的统计表格，较为友好，比如在输出逻辑回归时，sm包除了输出估计参数外，还能输出bse、t值、p值、置信区间等等，另一方面统计学家认为，不要人为的给样本赋权，因为有时给样本赋权和实际分布出现的了偏离，导致模型反而会通不过统计检验，所以sm包目前无法加权重。

而sklearn包中经过上面的研究可以加入权重，但是输出只有一个估计参数，没有其他统计检验的值，这样不便于查看统计检验指标，进行专业的判断。所以有必要将两种包进行重构，以sklearn包跑估计参数，接着用sm包里的底层代码根据估计参数，去检验其他的值。

2.探索sm包：

coef:模型参数，其中sklearn中选择penalty='none' and solver='newtom-cg'时，出来的系数与sm包完全一致。根据sm底层源码也显示其在计算最大似然估计时运用的牛顿法进行估计。（牛顿法需要用到Hessian矩阵）

std err：参数的标准误差，其计算基于Hessian矩阵的逆矩阵中的对角元素开方获得。

t:参数的t检验值，其等于参数/std err

P值：基于t检验计算出来的p值。