task1 机器学习算法（一）: 基于逻辑回归的分类预测

重点：

逻辑回归

笔记：

笛卡尔积：
两集合X和Y的笛卡尔积（Cartesian product），又称直积，表示为X × Y。
第一个对象是X的成员，第二个对象是Y的所有可能有序对的其中一个成员。

混淆矩阵：
热力图：

code:

1.绘制散点图：
plt.scatter()

import matplotlib.pyplot as plt
plt.scatter（x, y, s=None, c=None, marker=None, cmap=None, 
norm=None, vmin=None, vmax=None, alpha=None,
 linewidths=None, verts=None, edgecolors=None, *, 
 data=None, **kwargs）

• 参数说明：
  x,y： 实数或数组，所有散点的x,y值
  s： 实数或数组，点的面积
  c： 字符或数组，点的颜色，默认是蓝色‘b’
  marker： 点的形状样式，默认是’o’（圆点）
  norm: 将数据亮度转化到0-1之间，只有c是一个浮点数的数组的时候才使用。默认colors.Normalize
  vmin,vmax: 实数，norm存在时忽略。用来进行亮度数据的归一化
  alpha实数，0-1之间
  linewidths: 实数或数组，点的长度

2.划分数据集：

from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(iris_features_part, iris_target_part, test_size = 0.2, random_state = 2020)

3.导入逻辑回归模型：

from sklearn.linear_model import LogisticRegression
## 定义 逻辑回归模型 
clf = LogisticRegression(random_state=0, solver='lbfgs')

• LogisticRegression()

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
          intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1,
          penalty='l2', random_state=0, solver='lbfgs', tol=0.0001,
          verbose=0, warm_start=False)

4.训练模型：clf.fit()

# 在训练集上训练逻辑回归模型
clf.fit(x_train, y_train)

• 查看其对应的w：

print(clf.coef_)

• 查看其对应的w0：

print(clf.intercept_)

5.预测：
clf.predict()

## 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)

6.预测精确度：
metrics.accuracy_score(）

##训练集和测试集上的预测精度
from sklearn import metrics
print(metrics.accuracy_score(y_train,train_predict))
print(metrics.accuracy_score(y_test,test_predict))

7.混淆矩阵:
metrics.confusion_matrix()

confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)

8.热力图可视化:
sns.heatmap()

import seaborn as sns
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()