我已经写了条件logit模型的可能性/梯度的非常简单的实现(解释为here) - 可能性很好,但梯度不正确。我的两个问题是:我的梯度是否正确,如果是的话,我在Python中的实现是否正确?如果在数学论坛中更好地提出这个问题,请随时移动。为什么执行条件logit梯度失败?
这里,i是每个观测,j是观察我内的替代方案中,c是在所选择的替代观察i,Xij是i中选择j的特征向量,B是相应的系数。 似然公式应该有特征向量乘以系数向量。我的错误
我的可能性和梯度实现如下:
可能性:
def log_likelihood(coefs, observations, config, lasso):
def func(grp):
mtrx = grp.as_matrix(config.features)
dp = np.dot(mtrx, coefs)
sub = np.log(np.exp(dp).sum())
inc = (dp * grp['choice']).sum()
return inc - sub
ll = observations.groupby(['observation_id']).apply(func).sum()
if lasso is not None:
ll -= (np.abs(coefs).sum() * lasso)
neg_log = ll * -1
return neg_log
梯度:
def gradient(coefs, observations, config, lasso):
def func(grp):
mtrx = grp.as_matrix([config.features])
tmtrx = mtrx.transpose()
tmp = np.exp(tmtrx * coefs[:, np.newaxis])
sub = (tmp * tmtrx).sum(1)/tmp.sum(1)
inc = (mtrx * grp['choice'][:, np.newaxis]).sum(0)
ret = inc - sub
return ret
return -1 * observations.groupby(['observation_id']).apply(func).sum()
这里,coefs是包含系数的numpy的阵列,意见是一个数据框,其中每一行表示一个观察内的选择,而列是一个选择列籼稻ting 0/1作为列中的选择,而observation_id列中观察值中的所有选项都具有相同的id,最后config是包含成员'features'的dict,它是包含特征的观察值列中的列表。 注意我正在测试而不使用套索参数。下面的例子是什么数据看起来像。
我验证了可能性是正确的;但是,使用scipy.optimize.check_grad时,梯度的错误非常大。如果没有将梯度传递给scipy.optimize.minimize,我也可以解决B.渐变评估如我所料,所以在这一点上,我只能认为我的推导是不正确的,但我不知道为什么。
In [27]: df.head(14)
Out[27]:
x1 x2 x3 observation_id choice
0 0.187785 0.435922 -0.475349 211 1
1 -0.935956 -0.405833 -1.753128 211 0
2 0.210424 0.141579 0.415933 211 0
3 0.507025 0.307965 -0.198089 211 0
4 0.080658 -0.125473 -0.592301 211 0
5 0.605302 0.239491 0.287094 293 1
6 0.259580 0.415388 -0.396969 293 0
7 -0.637267 -0.984442 -1.376066 293 0
8 0.241874 0.435922 0.855742 293 0
9 0.831534 0.650425 0.930592 293 0
10 -1.682565 0.435922 -2.517229 293 0
11 -0.149186 0.300299 0.494513 293 0
12 -1.918179 -9.967421 -2.774450 293 0
13 -1.185817 0.295601 -1.974923 293 0