我已经能够使用result = logit.fit()做模型预测。python的statsmodel包中的测试和验证
现在进行测试和验证设置我们只需要做result.predict(test_df[features])和result.predict(vald_df[features])？这就是全部？或者我错过了一些步骤？当我尝试部署该模型进行日常预测时，情况会有什么不同？
我是statmodel的新手，事实上从今天开始，种类不足。我查了几个博客，信息不相关，所以只是想确定一下。
另外，有没有一种方法可以直接从statsmodel中提取'Area under ROC'而不是编码我们的方式？
对于第一个问题，每个ML算法（树，逻辑回归，...）都有参数。为un算法找到最佳参数，我们训练多个具有不同参数的模型，并保留在验证数据集上得到最佳分数的模型（参数）。 现在这个分数并没有给你一个想法，即你在生产（预测）中会给你一次什么样的分数，因为你用测试数据集中的最佳参数测试了你的模型，这个最终分数让你知道你的模型将如何执行在生产上。
对于第二个问题，你可以用小品学习，我谷歌，我发现放入系统的例子http://www.programcreek.com/python/example/82598/sklearn.metrics.auc
我的查询都是特定于在python包名称'statsmodel'中开发解决方案的。我知道scikit学习可以给我的指标，但我使用statsmodel，因为它是不容易的提取p值的scikit学习，我需要，可以从statsmodel得到的系数 – CARTman
statsmodels没有AUC，但我认为你可以使用statsmodels的结果调用scikit-learn AUC函数。 – user333700
这并没有发生在我身上..让我试试 – CARTman
对于预测就是这样。一旦你从一个拟合模型得到了结果实例，你可以在新数据上调用'predict'。新数据需要与原始数据的结构相匹配。如果您使用公式，那么数据将按照与训练数据相同的方式进行转换。如果您直接将设计矩阵作为DataFrame或numpy数组提供，则用于预测的数据需要与此相匹配，例如，你需要明确包含常量，它不会自动添加。 – user333700