逻辑回归的代码实现

目录

1.代码示例

2.结果​编辑

---

1.代码示例

加载了所需的库和模块

import pandas as pd  
from sklearn.linear_model import LogisticRegression  
from sklearn import metrics

用pandas库读取Excel文件中的鸢尾花训练数据和测试数据 

train_data = pd.read_excel("鸢尾花训练数据.xlsx")  
test_data = pd.read_excel("鸢尾花测试数据.xlsx")

在数据集中选择了特征和目标变量。这里，特征包括四个花瓣和萼片的尺寸，而目标变量是花的类型（通常被编码为数字）

train_X = train_data[['萼片长(cm)','萼片宽(cm)','花瓣长(cm)','花瓣宽(cm)']]  
train_y = train_data['类型_num']  # 提取的是一列数据，因此它是pandas的Series类型

初始化逻辑回归模型并使用训练数据进行拟合

model = LogisticRegression()  
model.fit(train_X, train_y)

 用训练好的模型对训练集和测试集进行了预测。

train_predicted = model.predict(train_X)  
  
test_x = test_data[['萼片长(cm)','萼片宽(cm)','花瓣长(cm)','花瓣宽(cm)']]  
test_y = test_data['类型_num']  
test_predicted = model.predict(test_x)

用predict_proba方法获取测试集上每个样本属于各个类别的概率 

test_predicted_pr = model.predict_proba(test_x)
# predict_proba返回的是一个二维数组，其中每一行对应一个样本，每一列对应一个类别的预测概率。

使用metrics.classification_report来评估模型在测试集上的性能。这个函数会输出每个类别的精确度、召回率、F1分数和支持数

print(metrics.classification_report(test_y, test_predicted))

读取另一个Excel文件，它包含一些需要进行预测的数据，用模型进行了预测，并打印了其中一个类别的预测概率（在这个例子中，是第二个类别的概率）

predicted_data = pd.read_excel("鸢尾花预测数据.xlsx")  
pr_X = predicted_data[['萼片长(cm)','萼片宽(cm)','花瓣长(cm)','花瓣宽(cm)']]  
predicted = model.predict(pr_X)  
predicted_pr = model.predict_proba(pr_X)  
print(predicted_pr[:, 1])  # 打印第二个类别的预测概率

2.结果