sklearn实现逻辑回归_以python为工具【Python机器学习系列(十)】

sklearn实现逻辑回归_以python为工具【Python机器学习系列(十)】

文章目录

  • 1.线性逻辑回归
  • 2.非线性逻辑回归
  • 3.乳腺癌数据集案例


      ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ
                 在这里插入图片描述请添加图片描述请添加图片描述请添加图片描述在这里插入图片描述
    ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ


大家好,我是侯小啾!在这里插入图片描述

在这里插入图片描述今天分享的内容是,通过python的sklearn库实现线性逻辑回归和非线性逻辑回归。
  sklearn实现逻辑回归_以python为工具【Python机器学习系列(十)】_第1张图片


1.线性逻辑回归

第一步,读取并提取数据:

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression

# 读取数据
data = np.genfromtxt("data.csv", delimiter=",")
x_data = data[:, :-1]
y_data = data[:, -1]

然后定义绘制散点图的函数,为将数据分布更直观地展示:

def plot_logi():
    # 初始化列表
    x_0 = []
    y_0 = []
    x_1 = []
    y_1 = []
    # 分割不同类别的数据
    for i in range(len(x_data)):
        # 取类别为0的数据
        if y_data[i] == 0:
            # 将特征1添加到x_0中
            x_0.append(x_data[i, 0])
            # 将特征2添加到y_0中
            y_0.append(x_data[i, 1])
        else:
            # 将特征1添加到x_1中
            x_1.append(x_data[i, 0])
            # 将特征2添加到y_1中
            y_1.append(x_data[i, 1])

    # 画图
    plt.scatter(x_0, y_0, c="skyblue", marker="o", label="class0")
    plt.scatter(x_1, y_1, c="red", marker="x", label="class1")
    plt.legend()

输出数据分布散点图:

plot_logi()
plt.show()

      sklearn实现逻辑回归_以python为工具【Python机器学习系列(十)】_第2张图片


第三步,训练模型

logistic = LogisticRegression()
logistic.fit(x_data, y_data)

# 截距
print(logistic.intercept_)
# 系数:theta1 theta2
print(logistic.coef_)
# 预测
pred = logistic.predict(x_data)
# 输出评分
score = logistic.score(x_data, y_data)
print(score)

输出结果如下图所示:
        sklearn实现逻辑回归_以python为工具【Python机器学习系列(十)】_第3张图片


绘制出带有决策边界的散点图:

# 绘制散点
plot_logi()
# 绘制决策边界
x_test = np.array([[-4], [3]])
y_test = -(x_test*logistic.coef_[0, 0]+logistic.intercept_)/logistic.coef_[0, 1]
plt.plot(x_test, y_test)
plt.show()

        sklearn实现逻辑回归_以python为工具【Python机器学习系列(十)】_第4张图片


2.非线性逻辑回归

python实现非线性逻辑回归,首先使用make_gaussian_quantiles获取一组高斯分布的数据集,代码及数据分布如下:

import matplotlib.pyplot as plt
from sklearn import linear_model
from sklearn.preprocessing import PolynomialFeatures
from sklearn.datasets import make_gaussian_quantiles


# 获取高斯分布的数据集,500个样本,2个特征,2分类
x_data, y_data = make_gaussian_quantiles(n_samples=500, n_features=2, n_classes=2)
# 绘制散点图
plt.scatter(x_data[:, 0], x_data[:, 1],c=y_data)
plt.show()

描述数据分布的散点图如图所示:
        sklearn实现逻辑回归_以python为工具【Python机器学习系列(十)】_第5张图片


然后转换数据并训练模型以实现非线性逻辑回归:

# 数据转换,最高次项为五次项
poly_reg = PolynomialFeatures(degree=5)
x_poly = poly_reg.fit_transform(x_data)


# 定义逻辑回归模型
logistic = linear_model.LogisticRegression()
logistic.fit(x_poly, y_data)
score = logistic.score(x_poly, y_data)
print(score)

评分结果如图所示,达0.996:
        sklearn实现逻辑回归_以python为工具【Python机器学习系列(十)】_第6张图片


3.乳腺癌数据集案例

以乳腺癌数据集为例,建立线性逻辑回归模型,并输出准确率,精确率,召回率三大指标,代码如下所示:

from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import recall_score
from sklearn.metrics import precision_score
from sklearn.metrics import classification_report
from sklearn.metrics import accuracy_score
import warnings

warnings.filterwarnings("ignore")

# 获取数据
cancer = load_breast_cancer()
# 分割数据
X_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer.target, test_size=0.2)

# 创建估计器
model = LogisticRegression()
# 训练
model.fit(X_train, y_train)

# 训练集准确率
train_score = model.score(X_train, y_train)
# 测试集准确率
test_score = model.score(X_test, y_test)
print('train score:{train_score:.6f};test score:{test_score:.6f}'.format(train_score=train_score, test_score=test_score))
print("==================================================================================")
# 再对X_test进行预测
y_pred = model.predict(X_test)
print(y_pred)
# 准确率 所有的判断中有多少判断正确的
accuracy_score_value = accuracy_score(y_test, y_pred)
# 精确率 预测为正的样本中有多少是对的
precision_score_value = precision_score(y_test, y_pred)
# 召回率 样本中有多少正样本被预测正确了
recall_score_value = recall_score(y_test, y_pred)

print("准确率:", accuracy_score_value)
print("精确率:", precision_score_value)
print("召回率:", recall_score_value)

# 输出报告模型评估报告
classification_report_value = classification_report(y_test, y_pred)

print(classification_report_value)

程序输出结果如下图所示:
sklearn实现逻辑回归_以python为工具【Python机器学习系列(十)】_第7张图片


本次分享就到这里,小啾感谢您的关注与支持!
꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ

本专栏更多好文欢迎点击下方连接:

1.初识机器学习前导内容_你需要知道的基本概念罗列_以PY为工具 【Python机器学习系列(一)】

2.sklearn库数据标准预处理合集_【Python机器学习系列(二)】

3.K_近邻算法_分类Ionosphere电离层数据【python机器学习系列(三)】

4.python机器学习 一元线性回归 梯度下降法的实现 【Python机器学习系列(四)】

5.sklearn实现一元线性回归 【Python机器学习系列(五)】

6.多元线性回归_梯度下降法实现【Python机器学习系列(六)】

7.sklearn实现多元线性回归 【Python机器学习系列(七)】

8.sklearn实现多项式线性回归_一元/多元 【Python机器学习系列(八)】

9.逻辑回归原理梳理_以python为工具 【Python机器学习系列(九)】

你可能感兴趣的:(python机器学习,机器学习,python,逻辑回归)