逻辑回归之鸢尾花数据集多分类任务

目录

1.导入数据

2.定义多分类模型

3.准备测试数据

4.绘制决策边界

---

对于多分类任务，其实就是多个二分类任务。

先分黑色(标签为1)和其他(标签为0)，在这个基础上再去分红色和绿色，此时就将红色标签设置为1，其他设置为0，绿色同样的操作，做了三个二分类任务就完成了这个多分类。

1.导入数据

样本集为150个样本，4个特征和三个类别（class），以下是类别为SETOSA的部分样本

2.定义多分类模型

x_train为特征数量，y_train为标签数量。迭代次数设置为1000，实例化logistic_regression逻辑回归函数，train函数得到最后的theta值和所有损失值。分别展示三个分类的损失值变化情况

三个分类的损失值变化情况

3.准备测试数据

将预测值和全部样本比较，得到准确率为96%

通过np.linspace（生成等间距的数字序列）新建150个测试数据（不是样本）

计算预测值，如果预测值等于某个类别，那么将这个类别中的和预测值一样的位置设置为1

4.绘制决策边界

这里其实有多条线（不止两条），只是重合在一起了

对于蓝色点：蓝色为1，其他为0，它的决策边界如下

对于橙色点：橙色为1，其他为0，决策边界如下

绿色点同理，也就是上面那一条线。这里体现了多分类任务其实就是多个二分类任务。