| python逻辑回归验证集 python逻辑回归结果解读 | 您所在的位置：网站首页 › ols估计法和迭代估计法的差异 › python逻辑回归验证集 python逻辑回归结果解读 |
python逻辑回归验证集 python逻辑回归结果解读
|
本问包括以下内容： 逻辑回归分类与回归的区别小结一、逻辑回归1.逻辑回归：虽然名字叫“回归”，但它实际上是解决分类问题的。本质上是一个“回归”模型，因为逻辑回归它将「样本的特征」与「发生的概率」联系起来，而概率其实是一个数值。"逻辑回归"可以理解成一个分类型的回归算法。
0.5为阈值，当y;gt;0.5时标签为1，当y;lt;0.5时标签为0 2.代码实战逻辑回归 (1)建立一个逻辑回归的数据集 from collections import OrderedDict import pandas as pd #数据集 examDict={ '学习时间':[0.50,0.75,1.00,1.25,1.50,1.75,1.75,2.00,2.25,2.50, 2.75,3.00,3.25,3.50,4.00,4.25,4.50,4.75,5.00,5.50], '通过考试':[0,0,0,0,0,0,1,0,1,0,1,0,1,0,1,1,1,1,1,1] } examOrderDict=OrderedDict(examDict) examDf=pd.DataFrame(examOrderDict) examDf.head()
(2)提取特征和标签 #特征features exam_X=examDf.loc[:,'学习时间'] #标签labes exam_y=examDf.loc[:,'通过考试']
绘制散点图：通过散点图看看两个变量的分布情况 import matplotlib.pyplot as plt #散点图 plt.scatter(exam_X, exam_y, color="b", label="exam data") #添加图标标签 plt.xlabel("Hours") plt.ylabel("Pass") #显示图像 plt.show()
(3)建立训练数据集和测试数据集 from sklearn.model_selection import train_test_split #建立训练数据和测试数据 X_train , X_test , y_train , y_test = train_test_split(exam_X , exam_y , train_size = .8) #输出数据大小 print('原始数据特征：',exam_X.shape , '，训练数据特征：', X_train.shape , '，测试数据特征：',X_test.shape ) print('原始数据标签：',exam_y.shape , '训练数据标签：', y_train.shape , '测试数据标签：' ,y_test.shape)
绘制训练数据和测试数据的散点图： #绘制散点图 import matplotlib.pyplot as plt #散点图 plt.scatter(X_train, y_train, color="blue", label="train data") plt.scatter(X_test, y_test, color="red", label="test data") #添加图标标签 plt.legend(loc=2) plt.xlabel("Hours") plt.ylabel("Pass") #显示图像 plt.show()
(4)用训练数据训练模型 因为只输入了一个特征，所以需要有reshape函数转化成reshape（-1，1） #将训练数据特征转换成二维数组XX行*1列 X_train=X_train.values.reshape(-1,1) #将测试数据特征转换成二维数组行数*1列 X_test=X_test.values.reshape(-1,1) #第1步：导入逻辑回归 from sklearn.linear_model import LogisticRegression # 第2步：创建模型：逻辑回归 model = LogisticRegression() #第3步：训练模型 model.fit(X_train , y_train)
(5)模型评估
3.理解逻辑回归 (1)当学习时间为3hours，用模型预测通过考试的概率值 model.predict_proba([[3]])
第1个值是标签为0的概率值，第2个值是标签为1的概率值
预测考试是否会通过 pred=model.predict([[3]]) print(pred)
(2)参数：截距、斜率 #第1步：得到回归方程的z值 #回归方程：z= + x #截距 a=model.intercept_ #回归系数 b=model.coef_ x=3 z=a+b*x #第2步：将z值带入逻辑回归函数中，得到概率值 y_pred=1/(1+np.exp(-z)) print('预测的概率值：',y_pred)
二、分类与回归的区别 1.三中数据类型
2.分类与回归三大区别
三、小结
|
【本文地址】
公司简介
联系我们