я в основном с Computer Vision работал, решил немного рпсширить зону комфорта

import pandas as pd
from statsmodels.discrete.discrete_model import MNLogit
df = pd.DataFrame({'x': [1,2,3,4,5,6,7,8,9], 'y': [1,2,3,1,2,3,1,2,3]})
model = MNLogit.from_formula('y~x', df)
result = model.fit()
result.predict(df)

Удобно

Понятно. Тогда объясняю.
В табличке - предсказанные моделью вероятности классов. Каждая строка - один объект, каждый столбец - один класс, сумма по строке всегда равна 1, т.к. это вероятность, что объект принадлежит хоть какому-нибудь классу.
Когда ты делаешь max(axis=1), ты получешь для каждого объекта вероятность самого вероятного для него класса, но какой именно это класс - из результата не видно.
Когда же ты делаешь idxmax(axis=1), ты получаешь для каждого объекта номер столбца, в котором для этого объекта значение максимально, т.е. номер самого вероятного класса.

Собственно, так и в CV, и в NLP, и в любом другом разделе data science предсказания классификатора формируются.

спасибо огромное

А вообще, если хочется тренировать модельки типа логистической регрессии, я рекомендую не statsmodels, а sklearn (если только тебе не надо статистический инференс над этими модельками делать) - там и интерфейс попроще, и документация очевиднее, и примеров в интернетах больше.

знаю, пробовал, мне просто понравился R-style. Формулу и датафрейм скормил и всё.

а так вообще с keras и tf играюсь

Если уж начистоту, то это не вероятности.

Ну это оценки, которыми логистическая регрессия пытается приблизить условную вероятность класса при условии наблюдаемых фич. Обычно они получаются хорошо откалиброванные, и их норм использовать как вероятности. Разве нет?

Не

Ну ладно)

Ну и ок))

вот  и поговорили XD

Знаю, вопрос не по теме, но подскажите пожалуйста, кто-нибудь занимался пробросом портов???
ser2net
com0com
com2tcp

эмм, а че за прикол?

.append не возвращает новый массив, он меняет существующий

.append возвращает None, все верно

Учим питон всем чатом