非线性逻辑回归的代码实现（sklearn）

非线性逻辑回归的代码实现（sklearn）

随机生成两类或多类数据

from sklearn.datasets import make_gaussian_quantiles
# make_gaussian-quantiles：将一个单高斯分布的点集划分为两个数量均等的点集，作为两类
# 生成2维正态分布，生成的数据按分位数分为两类，500个样本，2个样本特征
# 可以生成两类或多类数据
x_data, y_data = make_gaussian_quantiles(n_samples=500, n_features=2, n_classes=2)

看一下生成的数据集

plt.scatter(x_data[:, 0], x_data[:, 1], c=y_data)
plt.show()

建立逻辑回归模型

# 如果括号中的内容不加，那么会因为版本而提出警告
logistic = linear_model.LogisticRegression(solver='liblinear')
logistic.fit(x_data, y_data)

观察未定义多项式回归时会如何分类

# 获取数据值所在的范围
x_min, x_max = x_data[:, 0].min() - 1, x_data[:, 0].max() + 1
y_min, y_max = x_data[:, 1].min() - 1, x_data[:, 1].max() + 1

# 生成网格矩阵
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02),
                    np.arange(y_min, y_max, 0.02))

z = logistic.predict(np.c_[xx.ravel(), yy.ravel()])
z = z.reshape(xx.shape)
#等高线图
cs = plt.contourf(xx, yy, z)
#样本散点图
plt.scatter(x_data[:, 0], x_data[:, 1], c=y_data)

plt.show()
print('score:', logistic.score(x_data, y_data))

很显然，score值为0.502，意味着这个模型的准去率为大约百分五十，这证明分类和没分类并没有什么差别。。。

接下来定义多项式回归

除了定义回归模型外，其余都与梯度下降法实现逻辑回归的代码一样。
https://mp.csdn.net/mdeditor/90945030#

#定义多项式回归,degree的值可以调节多项式的特征
poly_reg = PolynomialFeatures(degree=5)
#特征处理
x_poly = poly_reg.fit_transform(x_data)
#定义逻辑回归模型
logistic = linear_model.LogisticRegression(solver='liblinear')
#训练模型
logistic.fit(x_poly, y_data)
#获取数据值所在的范围
x_min, x_max = x_data[:, 0].min() - 1, x_data[:, 0].max() + 1
y_min, y_max = x_data[:, 1].min() - 1, x_data[:, 1].max() + 1

#生成网格矩阵
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02),
                    np.arange(y_min, y_max, 0.02))

z = logistic.predict(poly_reg.fit_transform(np.c_[xx.ravel(), yy.ravel()]))
z = z.reshape(xx.shape)
#等高线图
cs = plt.contourf(xx, yy, z)
#样本散点图
plt.scatter(x_data[:, 0], x_data[:, 1], c=y_data)
plt.show()

看等高线图的分类效果还不错，再看看定义多项式回归后，score值为多少

print('score', logistic.score(x_poly, y_data))

模型的准确率达到98.4%,非常不错~