Python - 机器学习算法库Scikit-Leran使用详解3（Logistic回归算法）
作者：hangge | 2022-08-24 17:10
四、Logistic 回归算法
1，什么是 Logistic 回归？
（1）Logistic 回归算法，又叫做逻辑回归算法，或者 LR 算法（Logistic Regression）。虽然它被称为回归，但其实际上是分类模型，并常用于二分类。
（2）逻辑回归的与线性回归一样，也是以线性函数为基础的；而与线性回归不同的是，逻辑回归在线性函数的基础上添加了一个非线性函数，比如添加 Sigmoid 函数从而可以进行二分类。其 Sigmoid 函数图像如下所示：
提示：sigmoid 函数会将所有的数值转化到 0 和 1 之间，我们可以将其简单的理解为该数据被判定为正样本的概率(所谓正样本就是标签为 1 的样本，负样本就是标签为 0 的样本)，根据 sigmoid 函数，我们可以很明显的分析出当前数据应该是哪一个类别(大于 0.5 为正样本，小于 0.5 为负样例)
（3）Logistic 算法在处理二分类问题上表现优越，但在多分类（二个以上）问题上容易出现欠拟合。并且在多分类问题上我们就不再使用 sigmoid 函数，而是另一个叫做 softmax 函数。
2，使用样例
（1）下面我们以 sklearn 库中自带的鸢尾花数据集对 Logistic 回归算法进行简单的应用。
鸢尾花数据集：数据集包含 3 个类，每个类 50 个实例，每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，可以通过这 4 个特征预测鸢尾花卉属于（iris-setosa, iris-versicolour, iris-virginica）中的哪一品种。
#导入 sklearn 提供的鸢尾花数据
from sklearn.datasets import load_boston
#导入 sklearn 提供的logistic回归算法
from sklearn.linear_model import LogisticRegression
#导入skleran 提供的分割数据集的方法
from sklearn.model_selection import train_test_split
#导入pandas
import pandas as pd
#加载数据集
iris = load_iris()
#分割数据集训练集，测试集
x_train,x_test,y_train,y_test=train_test_split(iris['data'],iris['target'],random_state=0)
#创建一个logistic回归模型
model=LogisticRegression()
#训练模型
model.fit(x_train,y_train)
#训练后用测试集对模型进行评分
print("模型评分：",model.score(x_test,y_test))
print("每个类别的系数向量为:",model.coef_)
print("每个类别的截距值为:",model.intercept_)
print('-----------------------------------------------------')
print('测试集前5条数据特征值：')
print(pd.DataFrame(x_test).head(5))
print('-----------------------------------------------------')
print('测试集前5条数据目标值：')
print(pd.DataFrame(y_test).head(5))
print('-----------------------------------------------------')
#使用模型预测
y_predict=model.predict(x_test)
print('使用模型预测测试集前5条数据的目标值：')
print(pd.DataFrame(y_predict).head(5))
（2）运行结果如下：
全部评论（0）