关于selection.py中StatsModel的loglikelihood方法

[NKNaN]

我尝试借助statsmodels库里封装的逻辑回归，以aic为criteria，自己写了lr的stepwise regression，发现与toad的stepwise中得出的最终结果不一致，最后发现用toad筛选出的模型的aic与statsmodels中计算得到的aic值不同。

在看过源码后，发现selection.py中StatsModel的loglikelihood计算方法是统一用了mse，按我的理解源码里的公式应该只能用在estimator是ols的情况，lr的loglikelihood的计算应为 sum over i( yi * beta^t * xi - log( 1 + exp( beta^t * xi )))。

而且对于lasso和ridge来说，同样用ols的mse计算方式来计算loglikelihood应该也不合适，我目前还在查找lasso和ridge的aic和bic应该怎么算比较合理。

[Secbone]

@NKNaN 抱歉很晚才回复，这部分内容确实存在问题，最初为了实现方便没有单独对不同模型重写 loglikelihood，欢迎提PR进行更正~ 😄