逻辑回归用于分类,可以将任何数据变成0到1之间的数据
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
admissions = pd.read_csv("D:\\test\machineLearning\\admissions.csv")
plt.scatter(admissions["gpa"],admissions["admit"]) #效果不是很明显,意思是不同的gpa对应的录取与不录取的情况
plt.show()
#逻辑回归用于分类,可以将任何数据变成0到1之间的数据
def logic(x):
return np.exp(x)/(np.exp(x)+1)
x=np.linspace(-6, 6, 50, dtype=float)#在-6和6之间取50个数
y=logic(x)
plt.plot(x,y)
plt.ylabel("Probality")
plt.show()
from sklearn.linear_model import LogisticRegression
log = LogisticRegression()
log.fit(admissions[["gpa"]], admissions["admit"])
#逻辑回归比线性回归多一个类别
#本函数是返回概率
pre_pro=log.predict_proba(admissions[["gpa"]])
plt.scatter(admissions["gpa"],pre_pro[:,1])
plt.show()
pre_pro=log.predict(admissions[["gpa"]])
plt.scatter(admissions["gpa"],pre_pro) #看它是属于0还是1
plt.show()