Seaborn Regplot и Scikit-Learn Логистические модели рассчитаны по-разному?

Я использую функции логической регрессии Scikit-Learn и Seaborn - первый для извлечения информации о модели (то есть лог-коэффициентов, параметров и т.д.), А позже для построения результирующей сигмоидальной кривой, подходящей для оценок вероятности.

Возможно, моя интуиция неверна для того, как интерпретировать этот сюжет, но я, кажется, не получаю результатов, как я ожидал:

#Build and visualize a simple logistic regression
ap_X = ap[['TOEFL Score']].values 
ap_y = ap['Chance of Admit'].values

ap_lr = LogisticRegression()
ap_lr.fit(ap_X, ap_y)

def ap_log_regplot(ap_X, ap_y):
    plt.figure(figsize=(15,10))
    sns.regplot(ap_X, ap_y, logistic=True, color='green')
    return None

ap_log_regplot(ap_X, ap_y)
plt.xlabel('TOEFL Score')
plt.ylabel('Probability')
plt.title('Logistic Regression: Probability of High Chance by TOEFL Score')
plt.show

Кажется, все в порядке, но затем я пытаюсь использовать функцию predict_proba в Scikit-Learn, чтобы найти вероятности Chance to Admit учитывая какое-то произвольное значение для TOEFL Score (в этом случае 108, 104 и 112):

eight = ap_lr.predict_proba(108)[:, 1]
four = ap_lr.predict_proba(104)[:, 1]
twelve = ap_lr.predict_proba(112)[:, 1]
print(eight, four, twelve)

Где я получу:

[0.49939019] [0.44665597] [0.55213799]

Для меня это, по-видимому, указывает на то, что показатель TOEFL в 112 дает человеку 55% вероятности быть допущенным на основе этого набора данных. Если бы я растянул вертикальную линию от 112 по оси х до сигмовидной кривой, я бы ожидал пересечения около 0,90.

Правильно ли я это интерпретирую/моделирую? Я понимаю, что я использую два разных пакета для расчета коэффициентов модели, но с другой моделью с использованием другого набора данных, я, кажется, получаю правильные прогнозы, которые соответствуют логистической кривой.

Любые идеи или я полностью моделирую/интерпретирую это неточно?