逻辑回归（LogisticrGression）

最新推荐文章于 2023-12-04 14:00:39 发布

冰冰凉了

最新推荐文章于 2023-12-04 14:00:39 发布

阅读量626

点赞数

分类专栏：线性回归逻辑回归

本文链接：https://blog.csdn.net/qq_15264999/article/details/80903910

版权

线性回归同时被 2 个专栏收录

2 篇文章 0 订阅

订阅专栏

逻辑回归

1 篇文章 0 订阅

订阅专栏

逻辑回归是一种灵活的统计模型，既适用于分类任务，也适用于回归问题。无论自变量是连续还是离散，它都能有效地处理，展现其在预测分析领域的广泛适用性。

摘要由CSDN通过智能技术生成

逻辑回归是即可用于分类有可用于回归，即自变量既可以是连续的又可以是离散的。

# import some data to play with
iris = datasets.load_iris()
X = iris.data[:, :2]  # we only take the first two features.第一维度所有都要，第二维度只要前两个
Y = iris.target


h = .02  # step size in the mesh


logreg = linear_model.LogisticRegression(C=1e5)


# we create an instance of Neighbours Classifier and fit the data.
logreg.fit(X, Y)


# Plot the decision boundary（边界）. For that, we will assign a color to each
# point in the mesh [x_min, x_max]x[y_min, y_max].找出X,Y的最值
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5


#绘出每个点的xy坐标
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))#meshgrid 坐标格点
#print(xx,yy)
Z = logreg.predict(np.c_[xx.ravel(), yy.ravel()])


# Put the result into a color plot
Z = Z.reshape(xx.shape)
plt.figure(1, figsize=(4, 3))#改为40，比30会扩大十倍，其中4和3指的是长和宽为4厘米和3厘米
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired)#增加底色


# Plot also the training points
plt.scatter(X[:, 0], X[:, 1], c=Y, edgecolors='k', cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')


plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())


plt.show()