Python实现逻辑回归算法(一)

本文介绍了使用Python实现逻辑回归算法的过程,该算法常用于分类预测。内容包括数据的加载和展示,以及对样本数据的预处理。文章引用了《Python进行数据分析与挖掘实践》和@寒小阳的博客作为参考。
摘要由CSDN通过智能技术生成

本次用Python实现逻辑回归算法,逻辑回归是应用非常广泛的一个分类及其学习算法,它将数据拟合到一个logit函数中,从而完成对事件发生的概率进行预测。

本次学习笔记主要参考了《Python进行数据分析与挖掘实践》和作者@寒小阳的博客,地址如下:http://blog.csdn.net/yaoqiang2011/article/details/49123419。


第一步,首先引入本次程序需要用的Python依赖库:

import pandas as pd
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

from scipy.optimize import minimize

from sklearn.preprocessing import PolynomialFeatures

pd.set_option('display.notebook_repr_html', False)
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', 150)
pd.set_option('display.max_seq_items', None)
 
#%config InlineBackend.figure_formats = {'pdf',}
%matplotlib inline

import seaborn as sns
sns.set_context('notebook')
sns.set_style('white')

接下来开始定义loaddata、plotdata两个函数,功能分别是读取并显示前六行数据,然后对样本数据进行标引,这里设置了五个参数,分别传入数据,x,y标签,数据的正负分类。

def loaddata(file, delimeter):
    data = np.loadtxt(file, delimiter=delimeter)
    print('Dimensions: ',data.shape)
    print(data[1:6,:])
    return(data)
def plotData(data, label_x, label_y, label_pos, label_neg, axes=None):
    # 获得正负样本的下标(即哪些是正样本,哪些是负样本)
    neg = data[:,2] == 0
    pos = data[:,2] == 1
    
    if axes == None:
        axes = plt.gca()
    axes.scatter(data[pos][:,0], data[pos][:,1], marker='+', c='k', s=60, linewidth=2, label=label_pos)
    axes.scatter(data[neg][:,0], data[neg][:,1], c='y', s=60, label=label_neg)
    axes.set_xlabel(label_x)
    axes.
  • 1
    点赞
  • 18
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值