逻辑回归 鸢尾花分类预测

已于 2023-10-26 21:14:05 修改
阅读量363 收藏 2
点赞数
分类专栏： 机器学习 文章标签： 逻辑回归 分类 sklearn 人工智能
于 2022-12-18 20:07:39 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_56051805/article/details/128365229
版权

目录

一：加载数据

二：数据集划分

三：选择算法

四：网格模型 超参数最优解

五：鸢尾花分类预测

六：预测与实际比对

七：完整源码分享

一：加载数据

from sklearn.datasets import load_iris  # 鸢尾花
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.linear_model import LogisticRegression  # 逻辑回归算法
import pandas as pd
import joblib

# 加载鸢尾花数据集
iris_data = load_iris()
X = iris_data.data
Y = iris_data.target
print(X, X.shape)

提取特征数据，结果如下

[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]
 [4.6 3.1 1.5 0.2]
 [5.  3.6 1.4 0.2]
 [5.4 3.9 1.7 0.4]
 [4.6 3.4 1.4 0.3]
 [5.  3.4 1.5 0.2]
 [4.4 2.9 1.4 0.2]
 [4.9 3.1 1.5 0.1]
 [5.4 3.7 1.5 0.2]
 [4.8 3.4 1.6 0.2]
 [4.8 3.  1.4 0.1]
 [4.3 3.  1.1 0.1]
 [5.8 4.  1.2 0.2]
 [5.7 4.4 1.5 0.4]
 [5.4 3.9 1.3 0.4]
 [5.1 3.5 1.4 0.3]
 [5.7 3.8 1.7 0.3]
 [5.1 3.8 1.5 0.3]
 [5.4 3.4 1.7 0.2]
 [5.1 3.7 1.5 0.4]
 [4.6 3.6 1.  0.2]
 [5.1 3.3 1.7 0.5]
 [4.8 3.4 1.9 0.2]
 [5.  3.  1.6 0.2]
 [5.  3.4 1.6 0.4]
 [5.2 3.5 1.5 0.2]
 [5.2 3.4 1.4 0.2]
 [4.7 3.2 1.6 0.2]
 [4.8 3.1 1.6 0.2]
 [5.4 3.4 1.5 0.4]
 [5.2 4.1 1.5 0.1]
 [5.5 4.2 1.4 0.2]
 [4.9 3.1 1.5 0.2]
 [5.  3.2 1.2 0.2]
 [5.5 3.5 1.3 0.2]
 [4.9 3.6 1.4 0.1]
 [4.4 3.  1.3 0.2]
 [5.1 3.4 1.5 0.2]
 [5.  3.5 1.3 0.3]
 [4.5 2.3 1.3 0.3]
 [4.4 3.2 1.3 0.2]
 [5.  3.5 1.6 0.6]
 [5.1 3.8 1.9 0.4]
 [4.8 3.  1.4 0.3]
 [5.1 3.8 1.6 0.2]
 [4.6 3.2 1.4 0.2]
 [5.3 3.7 1.5 0.2]
 [5.  3.3 1.4 0.2]
 [7.  3.2 4.7 1.4]
 [6.4 3.2 4.5 1.5]
 [6.9 3.1 4.9 1.5]
 [5.5 2.3 4.  1.3]
 [6.5 2.8 4.6 1.5]
 [5.7 2.8 4.5 1.3]
 [6.3 3.3 4.7 1.6]
 [4.9 2.4 3.3 1. ]
 [6.6 2.9 4.6 1.3]
 [5.2 2.7 3.9 1.4]
 [5.  2.  3.5 1. ]
 [5.9 3.  4.2 1.5]
 [6.  2.2 4.  1. ]
 [6.1 2.9 4.7 1.4]
 [5.6 2.9 3.6 1.3]
 [6.7 3.1 4.4 1.4]
 [5.6 3.  4.5 1.5]
 [5.8 2.7 4.1 1. ]
 [6.2 2.2 4.5 1.5]
 [5.6 2.5 3.9 1.1]
 [5.9 3.2 4.8 1.8]
 [6.1 2.8 4.  1.3]
 [6.3 2.5 4.9 1.5]
 [6.1 2.8 4.7 1.2]
 [6.4 2.9 4.3 1.3]
 [6.6 3.  4.4 1.4]
 [6.8 2.8 4.8 1.4]
 [6.7 3.  5.  1.7]
 [6.  2.9 4.5 1.5]
 [5.7 2.6 3.5 1. ]
 [5.5 2.4 3.8 1.1]
 [5.5 2.4 3.7 1. ]
 [5.8 2.7 3.9 1.2]
 [6.  2.7 5.1 1.6]
 [5.4 3.  4.5 1.5]
 [6.  3.4 4.5 1.6]
 [6.7 3.1 4.7 1.5]
 [6.3 2.3 4.4 1.3]
 [5.6 3.  4.1 1.3]
 [5.5 2.5 4.  1.3]
 [5.5 2.6 4.4 1.2]
 [6.1 3.  4.6 1.4]
 [5.8 2.6 4.  1.2]
 [5.  2.3 3.3 1. ]
 [5.6 2.7 4.2 1.3]
 [5.7 3.  4.2 1.2]
 [5.7 2.9 4.2 1.3]
 [6.2 2.9 4.3 1.3]
 [5.1 2.5 3.  1.1]
 [5.7 2.8 4.1 1.3]
 [6.3 3.3 6.  2.5]
 [5.8 2.7 5.1 1.9]
 [7.1 3.  5.9 2.1]
 [6.3 2.9 5.6 1.8]
 [6.5 3.  5.8 2.2]
 [7.6 3.  6.6 2.1]
 [4.9 2.5 4.5 1.7]
 [7.3 2.9 6.3 1.8]
 [6.7 2.5 5.8 1.8]
 [7.2 3.6 6.1 2.5]
 [6.5 3.2 5.1 2. ]
 [6.4 2.7 5.3 1.9]
 [6.8 3.  5.5 2.1]
 [5.7 2.5 5.  2. ]
 [5.8 2.8 5.1 2.4]
 [6.4 3.2 5.3 2.3]
 [6.5 3.  5.5 1.8]
 [7.7 3.8 6.7 2.2]
 [7.7 2.6 6.9 2.3]
 [6.  2.2 5.  1.5]
 [6.9 3.2 5.7 2.3]
 [5.6 2.8 4.9 2. ]
 [7.7 2.8 6.7 2. ]
 [6.3 2.7 4.9 1.8]
 [6.7 3.3 5.7 2.1]
 [7.2 3.2 6.  1.8]
 [6.2 2.8 4.8 1.8]
 [6.1 3.  4.9 1.8]
 [6.4 2.8 5.6 2.1]
 [7.2 3.  5.8 1.6]
 [7.4 2.8 6.1 1.9]
 [7.9 3.8 6.4 2. ]
 [6.4 2.8 5.6 2.2]
 [6.3 2.8 5.1 1.5]
 [6.1 2.6 5.6 1.4]
 [7.7 3.  6.1 2.3]
 [6.3 3.4 5.6 2.4]
 [6.4 3.1 5.5 1.8]
 [6.  3.  4.8 1.8]
 [6.9 3.1 5.4 2.1]
 [6.7 3.1 5.6 2.4]
 [6.9 3.1 5.1 2.3]
 [5.8 2.7 5.1 1.9]
 [6.8 3.2 5.9 2.3]
 [6.7 3.3 5.7 2.5]
 [6.7 3.  5.2 2.3]
 [6.3 2.5 5.  1.9]
 [6.5 3.  5.2 2. ]
 [6.2 3.4 5.4 2.3]
 [5.9 3.  5.1 1.8]] (150, 4)
print(Y, Y.shape)

 提取标签数据，结果如下 

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2] (150,)

二：数据集划分

# 数据划分
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=6)

数据集划分为训练集和测试集，划分比例设置，随机划分设置 

三：选择算法

# 选择一个算法
# multi_class:多分类参数是在 二分类基础上进行
# OVR:一对多 把多元的转为二分类 有几个点就分几次处理 4特征
# OVO:一对一 把多元的转为更多的二分类，求概率，然后进行比较，求出最大的概率(耗时较多)
# penalty="l2":损失函数  penalty : {'l1', 'l2', 'elasticnet', 'none'}, default='l2'
# class_weight:权重      class_weight : dict or 'balanced', default=None
# solver:   {'newton-cg', 'lbfgs', 'liblinear', 'sag', 'saga'}, \
#             default='lbfgs'
model = LogisticRegression()
param_list = [
    {
        'penalty': ['l1', 'l2'],
        'class_weight': [None, 'balanced'],
        'solver': ['newton-cg', 'lbfgs', 'liblinear'],
        'multi_class': ['ovr']
    },
    {
        'penalty': ['l1', 'l2'],
        'class_weight': [None, 'balanced'],
        'solver': ['newton-cg', 'lbfgs', 'sag'],
        'multi_class': ['multinomial']
    }
]

LogisticRegression重要参数

 multi_class:多分类参数是在 二分类基础上进行 auto ovr multinomial
 OVR:一对多 把多元的转为二分类 有几个点就分几次处理 4特征
 OVO:一对一 把多元的转为更多的二分类，求概率，然后进行比较，求出最大的概率(耗时较多)
 penalty="l2":正则化防止过拟合       l1  l2
 class_weight:权重      class_weight : dict or 'balanced', default=None
 solver:   {'newton-cg', 'lbfgs', 'liblinear', 'sag', 'saga'}, \
                default='lbfgs'      超参调优参数

四：网格模型 超参数最优解

# 网格算法
grid = GridSearchCV(model, param_grid=param_list, cv=10)
grid.fit(X_train, y_train)
print(grid.best_estimator_)
print(grid.best_params_)
print(grid.best_score_)

超参最优解，如下，可使用于模型预测 

LogisticRegression(multi_class='multinomial', solver='sag')
{'class_weight': None, 'multi_class': 'multinomial', 'penalty': 'l2', 'solver': 'sag'}
0.975

五：鸢尾花分类预测

# 预测模型
best_model = LogisticRegression(multi_class='multinomial', solver='sag')
best_model.fit(X_train, y_train)
y_predict = best_model.predict(X_test)
print(y_predict == y_test)

鸢尾花分类预测，结果如下，准确性较高 

[ True  True  True  True  True  True  True  True  True  True  True  True
  True  True  True  True  True  True  True  True  True  True  True  True
  True  True  True  True  True  True]

六：预测与实际比对

线性图 回归模型

import matplotlib.pyplot as plt

test_pre = pd.DataFrame({"test": y_test.tolist(),
                         "pre": y_predict.flatten()
                         })
test_pre.plot(figsize=(18, 10))
plt.show()

点状图 回归模型

import matplotlib.pyplot as plt

# 预测与实际
plt.scatter(y_test, y_predict, label="test")
plt.plot([y_test.min(), y_test.max()],
         [y_test.min(), y_test.max()],
         'k--',
         lw=3,
         label="predict"
         )
plt.show()

从上面两个图，得出，预测和实际比对的结果还是very good的 

七：完整源码分享

from sklearn.datasets import load_iris  # 鸢尾花
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.linear_model import LogisticRegression  # 逻辑回归算法
import matplotlib.pyplot as plt
import pandas as pd
import joblib

# 加载鸢尾花数据集
iris_data = load_iris()
X = iris_data.data
Y = iris_data.target
# print(X, X.shape)
# print(Y, Y.shape)

# 数据划分
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=6)

# 选择一个算法
# multi_class:多分类参数是在 二分类基础上进行
# OVR:一对多 把多元的转为二分类 有几个点就分几次处理 4特征
# OVO:一对一 把多元的转为更多的二分类，求概率，然后进行比较，求出最大的概率(耗时较多)
# penalty="l2":损失函数  penalty : {'l1', 'l2', 'elasticnet', 'none'}, default='l2'
# class_weight:权重      class_weight : dict or 'balanced', default=None
# solver:   {'newton-cg', 'lbfgs', 'liblinear', 'sag', 'saga'}, \
#             default='lbfgs'
model = LogisticRegression()
param_list = [
    {
        'penalty': ['l1', 'l2'],
        'class_weight': [None, 'balanced'],
        'solver': ['newton-cg', 'lbfgs', 'liblinear'],
        'multi_class': ['ovr']
    },
    {
        'penalty': ['l1', 'l2'],
        'class_weight': [None, 'balanced'],
        'solver': ['newton-cg', 'lbfgs', 'sag'],
        'multi_class': ['multinomial']
    }
]

# 网格算法
# grid = GridSearchCV(model, param_grid=param_list, cv=10)
# grid.fit(X_train, y_train)
# print(grid.best_estimator_)
# print(grid.best_params_)
# print(grid.best_score_)

# 预测模型
best_model = LogisticRegression(multi_class='multinomial', solver='sag')
best_model.fit(X_train, y_train)
y_predict = best_model.predict(X_test)
print(y_predict == y_test)

chenruhan_QAQ_
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
基于Python.Numpy实现决策树，预测鸢尾花的种类与西瓜的好坏.zip
04-02
在机器学习领域中，“鸢尾花”是指一个经典的多类分类问题的数据集，称为“Iris dataset”或“安德森鸢尾花卉数据集”。该数据集最早由英国统计学家兼生物学家罗纳德·费雪（Ronald Fisher）于1936年收集并整理发表，包含了150个样本观测值，对应三种不同类型的鸢尾花（Setosa、Versicolor、Virginica），每种类型各50个样本。 每个样本有四个特征： 萼片长度（Sepal Length） 萼片宽度（Sepal Width） 花瓣长度（Petal Length） 花瓣宽度（Petal Width） 这些特征都是连续数值型变量，而目标变量则是鸢尾花所属的类别。鸢尾花数据集常被用作新手入门机器学习算法时的第一个实践项目，因为它数据量适中且易于理解，同时适用于多种监督学习算法，如逻辑回归、K近邻（KNN）、支持向量机（SVM）、决策树以及各种集成方法等。
阿里云天池机器学习训练营（Day1打卡）：基于逻辑回归的分类预测
weixin_41855010的博客
11-04 926
一、学习内容概括 二、具体学习内容 1.逻辑回归的介绍和应用 1.1 逻辑回归的介绍 逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。 而对于逻辑回归而且，最为突出的两点就是其模型简单和模型的可解释性强。 逻辑回归模型的优劣势: 优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低； 缺点：
机器学习算法其一：鸢尾花数据集逻辑回归分类预测学习总结
weixin_74182458的博客
03-06 1241
逻辑回归（Logistic Regression）是一种广泛使用的统计方法，用于预测二分类（binary）或多分类（multinomial）问题的结果。尽管其名称中包含“回归”，实际上逻辑回归是一种分类算法，主要用于预测一个观测值属于特定类别的概率。该数据集一共包含5个变量，其中4个特征变量，1个目标分类变量。共有150个样本，目标变量为 花的类别 其都属于鸢尾属下的三个亚属，分别是山鸢尾 (Iris-setosa)，变色鸢尾(Iris-versicolor)和维吉尼亚鸢尾(Iris-virginica)
鸢尾花分类预测实验（机器学习）
weixin_47116024的博客
09-12 6669
鸢尾花数据集的分类预测实验是机器学习最经典的案例之一，通过模型的训练，对于大量的鸢尾花数据集的学习，可以识别出新的鸢尾花是什么类型，继而完成预测和分类 鸢尾花的分类和预测大概分为如下几个步骤 （1）准备训练数据 （2）切分数据集 （3）数据归一化/标准化（对其正态分布转化）（4）对数据集的训练和预测（多轮交叉验证） （5） 1 准备训练数据 #鸢尾花数据集加载 iris=datasets.load_iris() X=iris.data[:,2:]#数据采用花瓣长和宽 ...
典型相关分析matlab实现代码-iris:利用逻辑回归的方法对鸢尾花数据集进行分类
05-20
典型相关分析matlab实现代码 iris 一、简介 学习机器学习有一段时间了，由于以前使用的是matlab，所以想使用python来实现一些机器学习的问题。 鸢尾花分类问题时一个很经典的问题，我就想从这个问题入手吧。网上有一些相关的代码，但是我看到的几 个都有些肉眼可见的缺陷，所以，我索性把网上的参考抛开，按照自己的思路实现一个。 会有不少缺陷，求 大神轻喷 :) 二、iris数据集 Iris（鸢尾花）数据集是多重变量分析的数据集。 数据集包含150行数据，分为3类，每类50行数据。 每行数 据包括4个属性：Sepal Length（花萼长度）、Sepal Width（花萼宽度）、Petal Length（花瓣长度）、 Petal Width（花瓣宽度）。可通过这4个属性预测鸢尾花属于3个种类的哪一类。所以本项目是利用lr方法进行 多分类处理。引用Iris数据集的方法主要有在sklearn的sklearn库中导入iris数据集和下载官方的iris.csv文 件。本项目使用后一种获取数据的方法。 三、数据预处理 将数据集进行数据类型的转换，将Sepal Length（花萼长度）、Sep
利用逻辑回归进行鸢尾花分类
adasdfadsa的博客
08-14 5021
基于逻辑回归模型实现的鸢尾花分类 import numpy as np import pandas as pd ## 绘图函数库 import matplotlib.pyplot as plt import seaborn as sns 1.数据集导入 要训练模型，首先要处理数据集，我们使用的数据集是sklearn中的鸢尾花数据集，该数据集一共有四个特征变量，一个目标分类变量，共有150个样本。 变量 描述 sepal length 花萼长度(cm) sepal width 花萼宽
【机器学习】逻辑回归(LogisticRegression)分类鸢尾花
每天进步一点丶的博客
11-16 3356
1.介绍 1.1 sigmoid函数 逻辑回归中的sigmoid函数： g(θ0+θ1X1+⋯θnXn)=h(θX)=p=eθX1+eθX g(θ_0+θ_1X_1+\cdotsθ_nX_n)=h(θX)=p=\frac{e^{θX}}{1+e^{θX}} g(θ0​+θ1​X1​+⋯θn​Xn​)=h(θX)=p=1+eθXeθX​ 也可写成(分子分母同时除以eθX)： g(θ0+θ1X1+⋯θnXn)=h(θX)=p=11+e−θX g(θ_0+θ_1X_1+\cdotsθ_nX_n)=h(θX)=p=
Task01:逻辑回归的理论--阿里云天池
weixin_46409996的博客
12-17 619
基于鸢尾花（iris）数据集的逻辑回归分类实践 Step1:库函数导入 基础函数库 import numpy as np import pandas as pd 绘图函数库 import matplotlib.pyplot as plt import seaborn as sns 其中：numpy （Python进行科学计算的基础软件包），pandas（pandas是一种快速，强大，灵活且易于使用的开源数据分析和处理工具），matplotlib和seaborn绘图。seaborn就是在matplotl
机器学习(十一)-逻辑回归实践篇之鸢尾花数据集分类
gf_lvah的博客
04-26 9518
1 项目描述 使用逻辑回归算法来对鸢尾花进行分类； 数据集包括训练数据train.txt和测试数据test.txt；测试数据中，每个样本包括特定的几个特征参数，最后是一个类别标签，而测试数据中的样本则只包括了特征参数 2 逻辑回归：鸢尾花数据集分类 2.1 鸢尾花数据信息 Sepal length: 花萼长度 Sepal width: 花萼宽度 Petal length: 花瓣长...
KNN算法 鸢尾花种类预测
m0_56051805的博客
12-17 506
KNN算法 鸢尾花种类预测
广州大学机器学习全部实验（附带代码和数据）
01-19
1.基于California Housing Prices数据集，完成关于房价预测的线性回归模型训练、测试与评估。 2.基于Adult数据集，完成关于收入是否大于50K的逻辑回归分类、朴素贝叶斯模型训练、测试与评估。 3.基于IRIS鸢尾花数据集，完成关于鸢尾花的聚类分析。 4.基于Adult数据集，完成关于收入是否大于50K的贪心决策树分类、随机森林分类模型训练、测试与评估。
鸢尾花机器学习模型预测.zip
04-02
鸢尾花数据集常被用作新手入门机器学习算法时的第一个实践项目，因为它数据量适中且易于理解，同时适用于多种监督学习算法，如逻辑回归、K近邻（KNN）、支持向量机（SVM）、决策树以及各种集成方法等。
基于鸢尾花数据集（iris）实现KNN，并比较在不同距离计算方式和不同K值下的预测准确率.zip
04-02
鸢尾花数据集常被用作新手入门机器学习算法时的第一个实践项目，因为它数据量适中且易于理解，同时适用于多种监督学习算法，如逻辑回归、K近邻（KNN）、支持向量机（SVM）、决策树以及各种集成方法等。
人工智能底层自行实现篇3——逻辑回归（上）
m0_60388871的博客
04-21 1423
似然函数（Likelihood function）是统计学中的一个重要概念，用于**量化一个统计模型在给定一些样本数据下的参数估计的可能性。**简单地说，
吴恩达2022机器学习专项课程(一） 7.1 逻辑回归的成本函数&第三周课后实验：Lab4逻辑回归的损失函数
AIGC_xuexishe的博客
04-25 1209
面对分类问题的训练集，需要对数损失函数来衡量每组训练样本的预测值和真实值的差异。差异的具体含义是y=1时，预测y为1的概率的大小。或者y=0时，预测y为0的概率的大小。损失函数是用于衡量单个训练样本，成本函数是衡量整个训练集，也就是累加损失函数的值，然后乘以m/1。如果逻辑回归模型使用平方误差成本函数计算，则成本函数会呈现局部最小值等特点，梯度下降算法可能无法有效地找到全局最优解。
吴恩达2022机器学习专项课程(一） 6.2 逻辑回归&第三周课后实验：Lab2逻辑回归
AIGC_xuexishe的博客
04-21 609
面对分类的问题，我们需要使用逻辑回归的sigmoid函数进行预测分类，这个函数是非线性函数。它的输出值在0-1之间，但不会等于0或等于1，只是会无限接近于0或1，因此可以把它的输出理解为等于1的概率或等于0的概率。给定一个x，如果它通过sigmoid得出的结果小于阈值，则分类到0，如果大于等于阈值，则分类到1，这就是分数预测。
测试的分类(3)
最新发布
asdssadddd的博客
04-25 837
简言之, 测试人员需要测试软件在不同语言和地区是否能够正常工作.eg:墨西哥:中国:国际化测试需要关注软件的哪些特性:布局时间日期数字格式货币机器型号......
XGBoost原生接口和Sklearn接口参数详解
qq_742234984的博客
04-21 817
XGBoost原生接口和Sklearn接口参数详解
Python机器学习算法库scikit-learn学习之决策树实现方法
youyouxiong的博客
04-21 534
Scikit-learn 是一个功能强大的Python机器学习库，它提供了各种算法，包括决策树（Decision Tree）。决策树是一种直观的算法，用于分类和回归任务。
逻辑回归 鸢尾花二分类
09-23
逻辑回归是一个分类模型，特别适用于只有两个类的情况。它的名称源于将输入的实值x转换为0到1之间的概率值，通过使用sigmoid函数。逻辑回归可以被解释为预测一个样本属于某个类别的概率。 在鸢尾花二分类问题中，逻辑回归可以用于预测一朵鸢尾花是属于哪个类别的。我们可以使用逻辑回归的训练方法，通过训练一个模型来找到一组最佳权重，将鸢尾花的特征转换为一个输出标签。在这个问题中，特征值可以是鸢尾花的各种测量值，如花瓣长度、花瓣宽度等。 下面是一个使用OpenCV中的逻辑回归分类器进行鸢尾花二分类的示例代码： ``` import cv2 # 创建一个分类器的对象 logisticRegression = cv2.ml.LogisticRegression_create() # 指定一个训练方法 logisticRegression.setTrainMethod(cv2.ml.LOGISTIC_REGRESSION_MINI_BATCH) logisticRegression.setMiniBatchSize(1) # 指定算法的迭代次数 logisticRegression.setIterations(100) # 训练模型 logisticRegression.train(xTrain, cv2.ml.ROW_SAMPLE, yTrain) # 使用训练好的模型进行预测 predictions = logisticRegression.predict(xTest) ``` 通过以上代码，我们可以训练一个逻辑回归模型，并使用该模型对测试数据进行分类预测。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

chenruhan_QAQ_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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