7.逻辑回归实践

1.逻辑回归是怎么防止过拟合的？为什么正则化可以防止过拟合？（大家用自己的话介绍下）

 答：正则化可以防止过拟合；因为正则化可以起到约束的作用，防止模型越变越复杂，越变越大，过拟合的出现就是因为模型的复杂度过高，而正则化的约束效果可以很好的预防过拟合。

 

2.用logiftic回归来进行实践操作，数据不限。

 在找数据的过程中突然发现项目里面的data有以前上课使用的泰坦尼克号生还率数据，所以就直接使用该数据作为本次的实验数据了，代码如下：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report
from sklearn.linear_model import LogisticRegression


def logistic():
    # 读取数据
    data = pd.read_csv('./data/titanic_data.csv')

    # 数值型转换，性别女为0 男为1，有缺失值的行直接删除
    data.loc[data['Sex'] == 'male', 'Sex'] = 0
    data.loc[data['Sex'] == 'female', 'Sex'] = 1
    data = data.dropna()
    print(data)

    # 数据分析
    x_train, x_test, y_train, y_test = train_test_split(data.iloc[:, 1:], data.iloc[:, 0], test_size=0.3)

    # 特征值和目标值进行标准化处理（需要分别处理），实例标准化API
    std = StandardScaler()

    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)

    # 逻辑回归预测
    lg = LogisticRegression()
    lg.fit(x_train, y_train)
    print(lg.coef_)
    lg_predict = lg.predict(x_test)
    print('准确率：', lg.score(x_test, y_test))
    print('召回率：', classification_report(y_test, lg_predict, target_names=['生还', '升天']))


if __name__ == '__main__':
    logistic();

运行结果图如下：