机器学习之回归算法篇（一）

前言

一、什么是逻辑回归？
logistic回归是一种广义的线性回归，通过构造回归函数，利用机器学习来实现分类或者预测。从大的类别上来说，逻辑回归是一种有监督的统计学习方法，主要用于对样本进行分类，逻辑回归也被称为广义线性回归模型，它与线性回归模型的形式基本上相同。

理论知识不多说了，咋们直接上代码：

import pandas as pd
import matplotlib.pyplot as plt
# 数据导入
admissions = pd.read_csv("admissions.csv")
print(admissions.head())   #打印出前5行数据
#绘制散点图形
plt.scatter(admissions['gpa'], admissions['admit'])
#图形显示
plt.show()

显示输出如下：

线性（逻辑）回归实现：

#导包
from sklearn.linear_model import LinearRegression
#创建模型
linear_model = LinearRegression()
linear_model.fit(admissions[["gpa"]], admissions["admit"])
#导包
from sklearn.linear_model import LogisticRegression
#创建模型
logistic_model = LogisticRegression()
logistic_model.fit(admissions[["gpa"]], admissions["admit"])

pred_probs = logistic_model.predict_proba(admissions[["gpa"]])
plt.scatter(admissions["gpa"], pred_probs[:,1])
plt.show()

输出：

以上代码只是本人学习时笔记，如有误，欢迎指正！