【机器学习】基础入门（1） 逻辑回归及代码实现

• 了解逻辑回归的理论
• 掌握逻辑回归的sklearn函数调用使用，并将其运用到鸢尾花数据集预测

1 逻辑回归原理

标记两篇写的很好的博文

1. 逻辑回归原理详解
2. 机器学习算法（一）：逻辑回归模型（Logistic Regression, LR）

2 demo实践

下面用一个简单的demo来初步介绍逻辑回归的实践方式。

2.1 库函数导入

import numpy as np

# 导入两个画图库
import matplotlib.pyplot as plt
import seaborn as sns

# 导入逻辑回归函数
from sklearn.linear_model import LogisticRegression

• sklearn(Scikit-learn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法
• 具体使用可查阅sklearn中文官方文档

2.2 模型训练

# 构建一组简单的数据集
x = np.array([[-1, -2], [-2, -1], [-3, -2], [1, 3], [2, 1], [3, 2]])
y = np.array([0, 0, 0, 1, 1, 1])
input_data

# 用逻辑回归模型拟合构造的数据集
lr = LogisticRegression()
lr = lr.fit(x, y) #拟合方程为 y=w0+w1*x1+w2*x2

2.3 查看模型参数

#查看模型的权值 w1，w2
print('逻辑回归模型的权值:',lr.coef_)
##打印模型的w0 （截距）
print('逻辑回归模型的截距(w0) :',lr.intercept_)

2.4 数据可视化

利用matplotlib.pyplot进行简单的数据可视化

# 可视化构建的数据集
plt.figure()
# 散点图
plt.scatter(x[:,0],x[:,1], c=y, s=50, cmap='viridis')
plt.title('Dataset')
plt.show()

# 可视化决策边界
plt.figure()
plt.scatter(x[:,0],x[:,1], c=y, s=50, cmap='viridis')
plt.title('Dataset')
nx, ny = 200,100
x_min, x_max = plt.xlim()#提取上面图片的X轴大小
y_min, y_max