膜拜！终于有人能把人工智能算法的“逻辑回归”讲得明明白白了

首先，我们需要知道为什么线性回归不适用于数据类别。从下图可以看出，第一个用于线性回归，第二个也用于线性但具有二进制类别值。我们可以从这两个图表中得出的见解是，第一个图表具有线性逼近值，即自变量增加，因变量也增加。但是，第二张图没有说明这种行为，而是将因变量值仅标记在两个值上，即“ 0”和“ 1”。

不同类型因变量上的线性方法

如果我们在第二个值上使用线性方法，则错误率将增加，我们的模型将无法很好地拟合，还有一点需要注意的是，线性线在数据点的上方和下方越来越多，而我们不需要预言。因此，我们需要一种仅将预测设置为“ 0”和“ 1”的方法。

从这个想法，我们可以考虑概率值从“ 0”到“ 1”的概率。好的，但是我们还需要更改我们的预测线。许多功能基于某个阈值将值设置为“ 0”和“ 1”。该曲线可以称为逻辑回归曲线或逻辑函数。

Logit回归模型如下所示。

因此，几率的对数等于线性模型。

logit函数比普通的logistic函数更具解释性。因此，此函数不过是一个Sigmoid函数，它给出“ 0”和“ 1”中的值。

当我们尝试拟合我们的模型时，它将在内部计算迭代和函数值。这两个词都意味着经过多次迭代后，模型优化将无法工作，并且函数值中获得的值就是目标函数的值，通过该值我们可以收敛。

现在让我们使用python进行实际操作。

我们创建了一个小数据集来解释逻辑回归中二进制输出的分类方法。

#importing the libraries

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

%matplotlib inline

import warnings

warnings.filterwarnings(“ignore”)

现在读取excel文件并查看其前5行。

df = pd.read_excel(“logistic.xlsx”)

df.head()

将数据集分为一个独立变量和因变量。

x = df.iloc[:,[0,1]].values

y = df.iloc[:,2].values

现在，将数据分为训练数据和测试数据。

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size =

0.25, random_state = 0)

标准化数据，以使数量的变化变得正常。

from sklearn.preprocessing import StandardScaler

sc_x = StandardScaler()

x_train = sc_x.fit_transform(x_train)

x_test = sc_x.transform(x_test)

拟合训练集以适合模型。

from sklearn.linear_model import LogisticRegression

classifier = LogisticRegression(random_state = 0)

classifier.fit(x_train, y_train)

用分类器进行预测。

y_pred = classifier.predict(x_test)

生成混淆矩阵。

from sklearn.metrics import confusion_matrix

conf_matrix = confusion_matrix(y_test, y_pred)

print (“Confusion Matrix : \n”, conf_matrix)

#output:

Confusion Matrix :

[[10 0]

[ 0 10]]

检查逻辑模型的准确性。

from sklearn.metrics import accuracy_score

print ("Accuracy : ", accuracy_score(y_test, y_pred))

#output:

Accuracy : 1.0

绘制二进制分类模型。

from matplotlib.colors import ListedColormap

X_set, y_set = x_test, y_test

X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1,

stop = X_set[:, 0].max() + 1, step = 0.01),

np.arange(start = X_set[:, 1].min() - 1,

stop = X_set[:, 1].max() + 1, step = 0.01))

plt.contourf(X1, X2, classifier.predict(

np.array([X1.ravel(), X2.ravel()]).T).reshape(

X1.shape), alpha = 0.75, cmap = ListedColormap((‘red’, ‘green’)))

plt.xlim(X1.min(), X1.max())

plt.ylim(X2.min(), X2.max())

❤️ 谢谢支持

喜欢的话别忘了 关注、点赞哦~。

.ravel()]).T).reshape(

X1.shape), alpha = 0.75, cmap = ListedColormap((‘red’, ‘green’)))

plt.xlim(X1.min(), X1.max())

plt.ylim(X2.min(), X2.max())

❤️ 谢谢支持

喜欢的话别忘了 关注、点赞哦~。

[外链图片转存中…(img-ZztM3Cq6-1718873873078)]