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

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

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：  
         ![在这里插入图片描述](https://img-blog.csdnimg.cn/89077d7365f24b78b5c164b2cfa1ff56.png)




---


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()

        ![在这里插入图片描述](https://img-blog.csdnimg.cn/cc7be88825e646e19ca9b3601a0cfaf9.png)




---


## 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：  
         ![在这里插入图片描述](https://img-blog.csdnimg.cn/960d3fd7d70e4310bd21a619a933aea5.png)




---


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：  
         ![在这里插入图片描述](https://img-blog.csdnimg.cn/f720ef65c69b486988444af46c39beed.png)




---


## 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：  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/3fbc854880fa4a349027eecf0a1c9bbd.png)




---


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



> 
> 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）】](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)  
>     
>  2.[sklearn库数据标准预处理合集\_【Python机器学习系列（二）】](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)  
>     
>  3.[K\_近邻算法\_分类Ionosphere电离层数据【python机器学习系列（三）】](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)  
>     
>  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）】](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)  
>     
>  5.[sklearn实现一元线性回归 【Python机器学习系列（五）】](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)  
>     
>  6.[多元线性回归\_梯度下降法实现【Python机器学习系列（六）】](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)  
>     
>  7.[sklearn实现多元线性回归 【Python机器学习系列（七）】](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)  
>     
>  8.[sklearn实现多项式线性回归\_一元/多元 【Python机器学习系列（八）】](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)  
>     
>  9.[逻辑回归原理梳理\_以python为工具 【Python机器学习系列（九）】](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)
> 
> 
> 






![img](https://img-blog.csdnimg.cn/img_convert/53331dc7b2a1b73eae9645a1c0be11ab.png)
![img](https://img-blog.csdnimg.cn/img_convert/23a59f493ee6d208c8e6daf565a04e14.png)
![img](https://img-blog.csdnimg.cn/img_convert/0a56a23d32145b36ff127835ee59dcf8.png)

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！**

**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**

资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！**

**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**