🍨 本文为[🔗365天深度学习训练营]中的学习记录博客
🍖 原作者:[K同学啊]
1、数据预处理
1-1、导入库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
1-2、导入数据
dataset = pd.read_csv(r"D:\资料\365deep_learning\1.机器学习\Social_Network_Ads.csv")
dataset
X = dataset.iloc[ : , [2,3]].values
Y = dataset.iloc[ : ,4].values
X.shape, Y.shape
1-3、 将数据集分成训练集和测试集
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)
X_train.shape,Y_train.shape
2、逻辑回归模型
from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression()
classifier.fit(X_train, Y_train)
3、预测结果
Y_pred = classifier.predict(X_test)
4、评估预测结果
4-1、训练集可视化
from matplotlib.colors import ListedColormap
X_set, y_set = X_train,Y_train
x = np.arange(start=X_set[:,0].min()-1,
stop=X_set[:, 0].max()+1,
step=0.01)
y = np.arange(start=X_set[:,1].min()-1,
stop=X_set[:,1].max()+1,
step=100)
x.shape, y.shape
#把x,y绑定为网格的形式
X1,X2 =np. meshgrid(x,y)
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())
for i,j in enumerate(np.unique(y_set)):
plt.scatter(X_set[y_set==j,0],
X_set[y_set==j,1],
color = ListedColormap(['red', 'green'])(i),
label=j)
plt.title('LOGISTIC(Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()
4-2、测试集可视化
X_set, y_set = X_test,Y_pred
x = np.arange(start=X_set[:,0].min()-1, stop=X_set[:, 0].max()+1, step=0.01)
y = np.arange(start=X_set[:,1].min()-1, stop=X_set[:,1].max()+1, step=100)
#把x,y绑定为网格的形式
X1,X2=np. meshgrid(x,y)
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())
for i,j in enumerate(np.unique(y_set)):
plt.scatter(X_set[y_set==j,0],
X_set[y_set==j,1],
color = ListedColormap(('red', 'green'))(i),
label=j)
plt. title('LOGISTIC(Test set)')
plt. xlabel('Age')
plt. ylabel('Estimated Salary')
plt. legend()
plt. show()