基于逻辑回归的病马死亡预测

最新推荐文章于 2022-02-27 17:15:46 发布

东城青年

最新推荐文章于 2022-02-27 17:15:46 发布

阅读量1.1k

点赞数 1

分类专栏：机器学习文章标签：从疝气病症预测病马的死亡率

本文链接：https://blog.csdn.net/qq_24946843/article/details/84288927

版权

机器学习专栏收录该内容

32 篇文章 448 订阅 ¥9.90 ¥99.00

订阅专栏

本博客通过逻辑回归模型预测患有疝病马的存活情况。数据经过处理，包括缺失值的处理和特征选择，最终保留21个特征。模型训练后在测试集上的错误率为28.36%，在调整参数后可降低到20%左右。

摘要由CSDN通过智能技术生成

本节将使用逻辑回归来预测患有疝病的马的存活问题。这里的数据包含368个样本和28个特征，其中有两个样本的类别标签缺失，所以将这两个样本剔除，另外有大量数据的许多特征缺失，对于缺失较多的特征，将该特征删除，最后剩有366个样本，保留有21个特征。分为训练集299个样本，测试集67个样本，最后一列为类别标签，表示存活和未能存活。

上面对缺失数据的处理可以说是很简单暴力，实际上更科学的可选的作法有：

使用可用特征的均值来填补缺失值
使用特殊值来填补缺失值，如-1
忽略有缺失值的样本
使用相似样本的均值填补缺失值
使用另外的机器学习算法预测缺失值

1.导入sigmoid函数和随机梯度下降函数

import numpy as np
#sigmoid函数
def sigmoid(inX):
    return 1.0/(1+np.exp(-inX))

#随机梯度下降
def stocGradDesc2(dataSet,classLabels):
    a = np.array(dataSet)
    b = np.array(classLabels)
    m,n = a.shape
    weight3 = np.ones((1,n))
    for j in range(500):

了解本专栏