线性分类逻辑斯蒂回归二分类（10）

1  损失函数立体化呈现

导包

from sklearn import datasets#导入数据
# 机器学习sklearn中的datasets模块提供了一些自带的小数据集。
#1、常见的小数据集：
#       鸢尾花：load_iris()

        乳腺癌：load_breast_cancer()

        手写数字：load_digits()

        糖尿病：load_diabetes()

        波士顿房价：load_biston()

        体能训练：load_linnerud()

        图像数据：load_sample_image(name)




from sklearn.linear_model import LogisticRegression
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D#绘制3d
from sklearn.preprocessing import scale，StandardScaler#归一化

1.1  加载数据

np.set_printoptions(suppress=True)
x,y=datasets.load_breast_cancer(return_X_y=True)
x=x[:,:2]#切片前两个特征
#x=scale(x)
#30项特征
display(x.shape,y.shape)

输出：
(569, 2)
(569,)

1.2  建模

model=LogisticRegression()
model.fit(x,y)
model.coef_

输出：
array([[-1.0462619 , -0.21688595]])

1.3  逻辑回归中线方程获取：系数

w1=model.coef_[0,0]
w2=model.coef_[0,1]
b=model.intercept_[0]
print('方程的系数，截距为：',w1,w2,b)

输出：
方程的系数，截距为： -1.0462619024003457 -0.21688595452490766 19.671351031534858

1.4  定义sigmoid函数

def sigmoid(x,w1,w2,b):
    z=w1*x[0]+w2*x[1]+b#表示线性方程
    return 1/(1+np.exp(-z))

1.5  定义损失函数