【学习笔记】机器学习算法(一): 基于逻辑回归的分类预测

【学习笔记】机器学习算法(一): 基于逻辑回归的分类预测

学习地址:阿里云天池
机器学习中常见的两个问题,一个是回归问题,另一个就是分类问题。本次学习的目标为基于逻辑回归的分类预测。
首先明确,虽然名字中带有回归,但是其本质上是一个分类问题。即使用回归来解决分类问题。

笔记目录:
一、学习知识点概要
二、学习内容
三、学习问题与解答
四、学习思考与总结

一、学习知识点概要

1、首先主要了解了一下逻辑回归这个概念,并对其应用和现状有了认识。其次明确了本次学习的学习目标,掌握理论,熟悉代码。
2、重点学习了代码部分,包括一个Demo实例和一个基于鸢尾花(iris)数据集的分类实例。

二、学习内容

1、Demo代码

代码流程:
Step1:导入库函数。主要用到numpy、matplotlib、seaborn三个库。
Step2:模型训练。
Step3:模型参数查看
Step4:数据和模型可视化
Step5:模型预测

数据集是6个点的坐标,对其进行可视化显示为:
数据集

# 可视化决策边界
plt.figure()
plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
plt.title('Dataset')

nx, ny = 200, 100
x_min, x_max = plt.xlim() 
# xlim()函数功能是:获取或者是设定x座标轴的范围,当前axes上的座标轴。
y_min, y_max = plt.ylim()
x_grid, y_grid = np.meshgrid(np.linspace(x_min, x_max, nx),np.linspace(y_min, y_max, ny))

z_proba = lr_clf.predict_proba(np.c_[x_grid.ravel(), y_grid.ravel()])
# predict_proba返回的是一个n行k列的数组,第i行第j列上的数值是模型预测第i个预测样本的标签为j的概率。
z_proba = z_proba[:, 1].reshape(x_grid.shape)
plt.contour(x_grid,
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值