机器学习——逻辑回归(Logistic Regression)

逻辑回归用于二分类问题，用于判断一个离散性的特征得到的标签类型的概率。

,

  被称为sigmoid函数，Logistic Regression 算法是将线性函数的结果映射到了sigmoid函数中。sigmoid的函数图形如下：

我们可以看到，sigmoid的函数输出是介于（0，1）之间，中间值是0.5。所以我们可以用sigmoid函数来表示样本数据的概率密度。

1.读取数据

2.获取特征数据

3.获取预测分类

4.随机逻辑回归模型

fit(X,Y)  Fit the model using X,Y as training data.

        X:array-like,Training samples 训练样本

        Y：array-like,Target values 目标值，如果需要的话可以转化为训练样本的数据类型。

5.获取特征的筛选结果

get_support([indices=False]) 获取所选列的掩码或证书索引

参数说明：indices: boolean ,默认False

返回值：从特征向量中选择保留特征的索引。

如果indices为False,则这是一个布尔数组[#输入要素]，如果为其保留选择了其对应的特征，则元素为True

如果indices为True，则这是一个整形数组[#输出要素]，其值是输入要素向量中的索引

6.获取score值

score(X,Y[,sample_weight])  返回给定测试数据和标签的平均精度

7.获取新的特征矩阵

8.建立训练数据和测试数据

       train_test_split是交叉验证中常用的函数，功能是从样本中随机的按比例选取训练数据(train)和测试数据(test)

       第1个参数:所要划分的样本特征

       第2个参数：所要划分的样本特征

       random_state：它的用途是在随机划分训练集和测试集时候，划分的结果并不是那么随机，也即，确定下来random_state是某个值后，重复调用这个函数，划分结果是确定的

9.进行逻辑训练

10.查看训练模型的参数

a：逻辑回归的回归系数

b：逻辑回归系数

11.预测数据

使用模型的predict方法对划分的X的测试数据进行预测得值“违约”情况

12.获取准确率