逻辑回归 基于鸢尾花数据集的逻辑回归分类实践

Step1:库函数导入

#基础函数库
import numpy as np
import pandas as pd

#画图函数库
import matplotlib.pyplot as plt
import seaborn as sns

鸢花数据（iris）数据集一共包含5个变量，其中4个特征变量，1个目标分类变量。

共有150个样本，目标变量为花的类别,都属于鸢尾属下的三个亚属，分别是:
- 山鸢尾 (Iris-setosa)
- 变色鸢尾(Iris-versicolor)
- 维吉尼亚鸢尾(Iris-virginica)。

包含的三种鸢尾花的四个特征，分别是:
- 花萼长度(cm)
- 花萼宽度(cm)
- 花瓣长度(cm)
- 花瓣宽度(cm)

这些形态特征在过去被用来识别物种。

Step2:数据读取载入

## 我们利用 sklearn 中自带的 iris 数据作为数据载入，并利用Pandas转化为DataFrame格式
from sklearn.datasets import load_iris

#得到数据特征
iris = load_iris() 
# print(iris)

#得到数据对应的标签
iris_target = iris.target 
# print(iris_target)

#利用Pandas转化为DataFrame格式
iris_features = pd.DataFrame(data=iris.data, columns=iris.feature_names) 
# print(iris_features)

Step3:数据信息简单查看

## 利用.info()查看数据的整体信息
iris_features.info()

# 进行简单的数据查看
#前五行
iris_features.head()

#后五行
iris_features.tail()

其对应的类别标签为，
- 0代表'setosa',
- 1代表'versicolor',
- 2代表'virginica'

iris_target

# 利用value_counts函数查看每个类别数量
pd.Series(iris_target).value_counts()

# 对特征进行一些统计描述
iris_features.describe()

Step4:可视化描述

# 合并标签和特征信息

#进行浅拷贝，防止对于原始数据的修改
iris_copy = iris_features.copy()
# print(iris_copy)

iris_copy['target']=iris_target
# print(iris_copy['target'])

# 特征与标签组合的散点可视化
sns.pairplot(data=iris_copy,diag_kind='hist',hue='target')
plt.show()

# 利用箱型图我们也可以得到不同类别在不同特征上的分布差异情况。
# 箱形图（Box-plot）
# 又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图。
# 它能显示出一组数据的最大值、最小值、中位数及上下四分位数
# palette：调色板，控制图像的色调
# saturation就是色彩饱和度选项,就是颜色深浅
for col in iris_features.columns:
    fig = plt.figure(figsize=(5,4))
    sns.boxplot(x='target', y=col, saturation=0.5,palette='pastel', data=iris_copy)
    plt.title(col)
    plt.show()

# 选取其前三个特征绘制三维散点图
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(10,8))
ax = fig.add_subplot(111, projection='3d')

class0 = iris_copy[iris_copy['target']==0].values
# print(class0)
class1 = iris_copy[iris_copy['target']==1].values
# print(class1)
class2 = iris_copy[iris_copy['target']==2].values
# print(class2)

# 'setosa'(0), 'versicolor'(1), 'virginica'(2)
ax.scatter(class0[:,0], class0[:,1], class0[:,2],label='setosa')
ax.scatter(class1[:,0], class1[:,1],class1[:,2],label='versicolor')
ax.scatter(class2[:,0], class2[:,1],class2[:,2],label='virginica')

plt.show()

Step5:利用逻辑回归模型 在二分类上 进行训练和预测

## 为了正确评估模型性能，将数据划分为训练集和测试集，并在训练集上训练模型，在测试集上验证模型性能。
from sklearn.model_selection import train_test_split

#选择其他类别为0和1的样本（不包括类别为2的样本）
iris_features_part = iris_features.iloc[:100]
# print(iris_features_part)
iris_target_part = iris_target[:100]

#测试集大小20%
# random_state是一个随机种子，是在任意带有随机性的类或函数里作为参数来控制随机模式。
# 当random_state取某一个值时，也就确定了一种规则。
# random_state可以用于很多函数，我比较熟悉的是用于以下三个地方：1、训练集测试集的划分 2、构建决策树 3、构建随机森林
x_train,x_test,y_train,y_test = train_test_split(iris_features_part,iris_target_part,test_size = 0.2,random_state=2020)

# 从sklearn钟导入逻辑回归模型
from sklearn.linear_model import LogisticRegression

# 定义 逻辑回归模型 
clf=LogisticRegression(random_state=0,solver='lbfgs')
# 在训练集上训练逻辑回归模型
clf.fit(x_train, y_train)

#查看对应的w
print('the weight of Logistic Regression:',clf.coef_)
print('the intercept(w0) of Logistic Regression:',clf.intercept_)

# 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)

# 利用accuracy（准确度）预测正确的样本数目占总预测样本数目的比例  评估模型效果
# 我们可以发现其准确度为1，代表所有的样本都预测正确了。
from sklearn import metrics
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))
# 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)
# 利用热力图对于结果进行可视化
plt.figure(figsize=(8,6))
sns.heatmap(confusion_matrix_result,annot=True,cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

Step6:利用 逻辑回归模型 在三分类(多分类)上 进行训练和预测

# 测试集大小为20%
x_train,x_test,y_train,y_test = train_test_split(iris_features,iris_target,test_size = 0.2,random_state=2020)
#定义逻辑回归模型
clf=LogisticRegression(random_state=0,solver='lbfgs')
#在训练集上训练逻辑回归模型
clf.fit(x_train,y_train)

# 由于这个是3分类，所有我们这里得到了三个逻辑回归模型的参数，其三个逻辑回归组合起来即可实现三分类。

# 查看其对应的w
print('the weight of Logistic Regression:\n',clf.coef_)
# 查看其对应的w0
print('the intercept(w0) of Logistic Regression:\n',clf.intercept_)

# 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
# 由于逻辑回归模型是概率预测模型（前文介绍的 p = p(y=1|x,\theta)）,所有我们可以利用 predict_proba 函数预测其概率
train_predict_proba = clf.predict_proba(x_train)
test_predict_proba = clf.predict_proba(x_test)
print('The test predict Probability of each class:\n',test_predict_proba)
## 其中第一列代表预测为0类的概率，第二列代表预测为1类的概率，第三列代表预测为2类的概率。

## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))

## 查看混淆矩阵
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

通过结果我们可以发现，其在三分类的结果的预测准确度上有所下降，
其在测试集上的准确度为: 86.67%，
这是由于'versicolor'（1）和 'virginica'（2）这两个类别的特征，我们从可视化的时候也可以发现，
其特征的边界具有一定的模糊性（边界类别混杂，没有明显区分边界），所有在这两类的预测上出现了一定的错误。