机器学习Task1基于逻辑回归的分类预测

Demo实践
1、库函数导入
2、模型训练
3、模型参数查看
4、数据和模型可视化

# 可视化决策边界
plt.figure()
plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
plt.title('Dataset')
nx, ny = 200, 100
x_min, x_max = plt.xlim()
y_min, y_max = plt.ylim()
x_grid, y_grid = np.meshgrid(np.linspace(x_min, x_max, nx),np.linspace(y_min, y_max, ny))
z_proba = lr_clf.predict_proba(np.c_[x_grid.ravel(), y_grid.ravel()])
z_proba = z_proba[:, 1].reshape(x_grid.shape)
plt.contour(x_grid, y_grid, z_proba, [0.5], linewidths=2., colors='blue')
plt.show()

机器学习Task1基于逻辑回归的分类预测_第1张图片
5、模型预测
基于鸢尾花数据集的逻辑回归分类实践
1、库函数导入
数据集有5个变量:
机器学习Task1基于逻辑回归的分类预测_第2张图片
2、数据读取/载入
3、数据信息简单查看
4、可视化描述
5、利用逻辑回归模型在二分类上进行训练和预测
6、利用模型在三(多)分类上训练和预测

tips:
机器学习Task1基于逻辑回归的分类预测_第3张图片

你可能感兴趣的:(机器学习Task1基于逻辑回归的分类预测)