逻辑回归预测鸢尾花分类

逻辑回归预测鸢尾花分类

#逻辑回归实现鸢尾花分类
#1.导入数据并进行数据探索 2.划分测试机和训练集 3.创建逻辑回归模型 4.训练模型 5.模型评估
#先导包
import pandas as pd 
import numpy as np
from sklearn.datasets import load_iris

pd.set_option('display.max_rows', 10)#行数设置为10000
pd.set_option('display.max_columns', 10)#列数设置为10000
pd.set_option('display.width', 10000)

#1.导入数据
iris_data=load_iris()
iris_df = pd.DataFrame(data=iris_data.data, columns=iris_data.feature_names) #利用Pandas转化为DataFrame格式
iris_df['class']=iris_data.target
iris_df#现在数据已经构建完毕，既有特征，也有标签

代码如下（示例）：

#2.划分测试机和训练集
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(iris_df.iloc[:,1:4], iris_df.iloc[:,4], test_size = 0.2, random_state = 2020)
#3.创建逻辑回归模型
from sklearn.linear_model import LogisticRegression #从sklearn中导入逻辑回归模型
clf = LogisticRegression()
print("看一下创建好的模型")
clf

看一下创建好的模型
LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
intercept_scaling=1, max_iter=100, multi_class=‘ovr’, n_jobs=1,
penalty=‘l2’, random_state=None, solver=‘liblinear’, tol=0.0001,
verbose=0, warm_start=False)

#4.训练模型
clf.fit(x_train, y_train)
#5.模型评估
#用训练好的模型预测测试集
score=clf.score(x_test,y_test)
score#分数

0.9

#4.训练模型
#逻辑回归的模型参数：回归系数和偏置
print("模型的回归系数：{}".format(clf.coef_))
print("模型的回归偏置：{}".format(clf.intercept_))
y_predict=clf.predict(x_test)
y_predict#预测的结果

模型的回归系数：[[ 1.78163452 -1.9015705 -0.95795282]
[-1.28992545 0.9275425 -1.71007535]
[-2.19370509 0.80590262 2.72019468]]
模型的回归偏置：[ 0.35143214 1.61418043 -2.03301413]
array([2, 0, 1, 1, 1, 2, 2, 1, 0, 0, 2, 2, 0, 2, 2, 0, 1, 1, 2, 0, 0, 1,
2, 0, 2, 1, 1, 2, 0, 0])

---