一、学习目标
- 了解逻辑回归的理论
- 掌握逻辑回归的sklearn函数的调用使用并将其运用到鸢尾花数据集预测
二、代码实践
1.代码流程
-
demo实践
1.库函数导入
2.模型训练
3.模型参数查看
4.数据和模型可视化
5.模型预测 -
基于鸢尾花（iris）数据集的逻辑回归分类实践
1.库函数导入
2.数据读取/载入
3.数据信息查看
4.可视化描述
5.利用数据回归模型在二分类上进行训练和预测
6.利用数据回归模型在三分类（多分类）上进行训练和预测
2.demo实践
- 库函数导入
#导入基础库函数
import numpy as np
#numpy是Python进行科学计算的基础软件包
#导入画图库
import matplotlib.pyplot as plt
import seaborn as sns
#matplotlib和seaborn是画图软件包
#导入逻辑回归模型函数
from sklearn.linear_model import LogisticRegression
- 训练模型
#Demo演示LogisticRegression分类
#构造数据集
x_fearures=np.array([[-1,-2],[-2,-1],[-3,-2],[1,3],[2,1],[3,2]])
y_label=np.array([0,0,0,1,1,1])
#调用逻辑回归模型
lr_clf=LogisticRegression()
#逻辑回归模型拟合构造的数据集
lr_clf=lr_clf.fit(x_fearures,y_label)
#拟合方程为：y=w0+w1*x1+w2*x2
- 模型参数查看
#查看其对应模型的w
print("the weight of Logistic Regression:",lr_clf.coef_)
#查看其对应模型的w0
print("the intercept(w0) of Logistic regression:",lr_clf.intercept_)
#the weight of Logistic Regression: [[ 0.73462087 0.6947908 ]]
#the intercept(w0) of Logistic regression: [-0.03643213]
- 数据和模型可视化
#可视化构造的数据样本点
plt.figure()
plt.scatter(x_fearures[:,0],x_fearures[:,1],c=y_label,s=50,cmap='viridis')
plt.title('Dataset')
plt.show()
#可视化决策边界
plt.figure()
plt.scatter(x_fearures[:,0],x_fearures[:,1],c=y_label,s=50,cmap='viridis')
plt.title('Dataset')
nx,ny=200,100
x_min,x_max=plt.xlim()
y_min,y_max=plt.ylim()
x_grid,y_grid=np.meshgrid(np.linspace(x_min,x_max,nx),np.linspace(y_min,y_max,ny))
z_proba=lr_clf.predict_proba(np.c_[x_grid.ravel(),y_grid.ravel()])
z_proba=z_proba[:,1].reshape(x_grid.shape)
plt.contour(x_grid,y_grid,z_proba,[0.5],linewidths=2.,colors='blue')
plt.show()
#可视化预测新样本
plt.figure()
#new point 1
x_fearures_new1=np.array([[0,-1]])
plt.scatter(x_fearures_new1[:,0],x_fearures_new1[:,1],s=50,cmap='viridis')
plt.annotate(s='New point 1',xy=(0,-1),xytext=(-2,0),color='blue',arrowprops=dict(arrowstyle='-|>',connectionstyle='arc3',color='red'))
#new point 2
x_fearures_new2=np.array([[1,2]])
plt.scatter(x_fearures_new2[:,0],x_fearures_new2[:,1],s=50,cmap='viridis')
plt.annotate(s='New point 2',xy=(1,2),xytext=(-1.5,2.5),color='red',arrowprops=dict(arrowstyle='-|>',connectionstyle='arc3',color='red'))
#训练样本
plt.scatter(x_fearures[:,0],x_fearures[:,1],c=y_label,s=50,cmap='viridis')
plt.title('Dataset')
#可视化决策边界
plt.contour(x_grid,y_grid,z_proba,[0.5],linewidths=2.,colors='blue')
plt.show()
- 模型预测
#在训练集和测试集上分布利用训练好的模型进行预测
y_label_new1_predict=lr_clf.predict(x_fearures_new1)
y_label_new2_predict=lr_clf.predict(x_fearures_new2)
print('the new point 1 predict:\n',y_label_new1_predict)
print('the new point 2 predict:\n',y_label_new2_predict)
#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)）,所以我们可以利用predict_proba函数预测其概率
y_label_new1_predict_proba=lr_clf.predict_proba(x_fearures_new1)
y_label_new2_predict_proba=lr_clf.predict_proba(x_fearures_new2)
print('the new point 1 predict Probability of each class:\n',y_label_new1_predict_proba)
print('the new point2 predicr Probability of each class:\n',y_label_new2_predict_proba)
#the new point 1 predict:
#[0]
#the new point 2 predict:
#[1]
#the new point 1 predict Probability of each class:
#[[ 0.67507358 0.32492642]]
#the new point2 predicr Probability of each class:
#[[ 0.11029117 0.88970883]]
可以发现训练好的回归模型将X_new1预测为了类别0（判别面左下侧），将X_new2预测为了类别1（判别面的右上侧）。其训练得到的逻辑回归模型的概率为0.5的判别面为上图中的蓝色线。
3.基于鸢尾花（iris）数据集的逻辑回归代码实践
本次我们选择鸢尾花数据集（iris）进行方法的尝试训练，该数据集一共包含5个变量（4个特征变量，1个目标分类变量），共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）和维吉尼亚鸢尾（Iris-virginica）。三种鸢尾花的4个特征是：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用来识别物种。
| 变量 | 描述 |
|---|---|
| sepal legth | 花萼长度（cm） |
| sepal width | 花萼宽度（cm） |
| petal legth | 花瓣长度（cm） |
| petal width | 花瓣宽度（cm） |
| target | 鸢尾花的三个亚属类别：setosa（0）、versicolor（1）、virginica（2） |
- 库函数的导入
#导入基础函数库
import numpy as np
import pandas as pd
#pandas是一种快速、强大、灵活且易于使用的开源数据分析和处理工具
#导入绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns
- 数据读取/载入
#利用sklearn中自带的iris数据作为数据载入，并利用pandas转换为DataFrame格式
from sklearn.datasets import load_iris
data=load_iris() #得到数据特征
iris_target=data.target #得到数据对应的标签
iris_features=pd.DataFrame(data=data.data,columns=data.feature_names) #利用pandas转换成DataFrame格式
- 数据信息简单查看
#利用.info查看数据的整体信息
iris_features.info()
'''
结果如下：
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 150 entries, 0 to 149
Data columns (total 4 columns):
sepal length (cm) 150 non-null float64
sepal width (cm) 150 non-null float64
petal length (cm) 150 non-null float64
petal width (cm) 150 non-null float64
dtypes: float64(4)
memory usage: 4.8 KB
'''
#如果进行简单的数据查看，我们可以利用：.head()和.tail()
#查看头部
iris_features.head()
结果如下：
| pepal length | sepal width | petal length | petal width | |
|---|---|---|---|---|
| 0 | 5.1 | 3.5 | 1.4 | 0.2 |
| 1 | 4.9 | 3.0 | 1.4 | 0.2 |
| 2 | 4.7 | 3.2 | 1.3 | 0.2 |
| 3 | 4.6 | 3.1 | 1.5 | 0.2 |
| 4 | 5.0 | 3.6 | 1.4 | 0.2 |
#查看尾部
iris_features.tail()
结果如下：
| pepal length | sepal width | petal length | petal width | |
|---|---|---|---|---|
| 145 | 6.7 | 3.0 | 5.2 | 2.3 |
| 146 | 6.3 | 2.5 | 5.0 | 1.9 |
| 147 | 6.5 | 3.0 | 5.2 | 2.0 |
| 148 | 6.2 | 3.4 | 5.4 | 2.3 |
| 149 | 5.9 | 3.0 | 5.1 | 1.8 |
#查看对应的类别标签
iris_target
'''
结果如下：
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
'''
#其中，0,1,2分别代表‘setosa’、‘versicolor’、‘virginica’三种鸢尾花的类别
#利用value_counts函数查看类别数量
pd.Series(iris_target).value_counts()
'''
结果如下：
2 50
1 50
0 50
dtype: int64
'''
#对特征进行一些统计描述
iris_features.describe()
结果如下：
| sepal length (cm) | sepal width (cm) | petal length (cm) | petal width (cm) | |
|---|---|---|---|---|
| count | 150.000000 | 150.000000 | 150.000000 | 150.000000 |
| mean | 5.843333 | 3.054000 | 3.758667 | 1.198667 |
| std | 0.828066 | 0.433594 | 1.764420 | 0.763161 |
| min | 4.300000 | 2.000000 | 1.000000 | 0.100000 |
| 25% | 5.100000 | 2.800000 | 1.600000 | 0.300000 |
| 50% | 5.800000 | 3.000000 | 4.350000 | 1.300000 |
| 75% | 6.400000 | 3.300000 | 5.100000 | 1.800000 |
| max | 7.900000 | 4.400000 | 6.900000 | 2.500000 |
从统计描述中，我们可以看到不同数值特征的变化范围。
- 可视化描述
#合并标签和特征信息
iris_all=iris_features.copy()#进行浅拷贝，防止对原始数据的修改
iris_all['target']=iris_target
#特征与标签组合的散点可视化
sns.pairplot(data=iris_all,diag_kind='hist',hue='target')
plt.show()
从上图可以发现，在2D情况下，不同的的特征组合对于不同类别的花的散点分布，以及大概的区分能力。
for col in iris_features.columns:
sns.boxplot(x='target',y=col,saturation=0.5,palette='pastel',data=iris_all)
plt.title(col)
plt.show()
利用箱型图也可以得到不同类别的花在不同特征上的分布差异情况。
#选取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')
iris_all_class0=iris_all[iris_all['target']==0].values
iris_all_class1=iris_all[iris_all['target']==1].values
iris_all_class2=iris_all[iris_all['target']==2].values
#'setosa'(0),'versicolor'(1),'virginica'(2)
ax.scatter(iris_all_class0[:,0],iris_all_class0[:,1],iris_all_class0[:,2],label='setosa')
ax.scatter(iris_all_class1[:,0],iris_all_class1[:,1],iris_all_class1[:,2],label='versicolor')
ax.scatter(iris_all_class2[:,0],iris_all_class2[:,1],iris_all_class2[:,2],label='virginica')
plt.legend()
plt.show()
- 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合测试集，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]
iris_target_part=iris_target[:100]
#测试集大小为20%，80%/20%分
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中导入逻辑回归模型
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)
'''
结果如下：
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=0, solver='lbfgs', tol=0.0001,
verbose=0, warm_start=False)
'''
#查看其对用的w
print('the weight of Logistic Regression:',clf.coef_)
#查看其对应的w0
print('the intercept(w0) of Logistic Regression:',clf.intercept_)
'''
结果如下：
the weight of Logistic Regression: [[ 0.45244919 -0.81010583 2.14700385 0.90450733]]
the intercept(w0) of Logistic Regression: [-6.57504448]
'''
#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)
from sklearn import metrics
#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的准确性
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)
#利用热力图对结果进行可视化
plt.figure(figsize=(8,6))
sns.heatmap(confusion_matrix_result,annot=True,cmap='Blues')
plt.xlabel('Predictedlabels')
plt.ylabel('Turelabels')
plt.show()
'''
结果如下：
The accuracy of the Logistic Regression is 1.0
The accuracy of the Logistic Regression is: 1.0
The confusion matrix result:
[[ 9 0]
[ 0 11]]
'''
我们可以发现其准确度为1，代表所有样本都预测正确了。
- 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%，80%/20%分
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)
'''
结果如下：
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=0, solver='lbfgs', tol=0.0001,
verbose=0, warm_start=False)
'''
#查看其对用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_)
#由于这个是三分类，所以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
'''
结果如下：
The weight of Logistic Regression:
[[-0.43538857 0.87888013 -2.19176678 -0.94642091]
[-0.39434234 -2.6460985 0.76204684 -1.35386989]
[-0.00806312 0.11304846 2.52974343 2.3509289 ]]
The intercept(w0) of Logistic Regression:
[ 6.30620875 8.25761672 -16.63629247]
'''
#在训练集和测试集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)），所以我们可以利用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))
'''
结果如下：
The test predict Probability of each class:
[[ 1.32525870e-04 2.41745142e-01 7.58122332e-01]
[ 7.02970475e-01 2.97026349e-01 3.17667822e-06]
[ 3.37367886e-02 7.25313901e-01 2.40949311e-01]
[ 5.66207138e-03 6.53245545e-01 3.41092383e-01]
[ 1.06817066e-02 6.72928600e-01 3.16389693e-01]
[ 8.98402870e-04 6.64470713e-01 3.34630884e-01]
[ 4.06382037e-04 3.86192249e-01 6.13401369e-01]
[ 1.26979439e-01 8.69440588e-01 3.57997319e-03]
[ 8.75544317e-01 1.24437252e-01 1.84312617e-05]
[ 9.11209514e-01 8.87814689e-02 9.01671605e-06]
[ 3.86067682e-04 3.06912689e-01 6.92701243e-01]
[ 6.23261939e-03 7.19220636e-01 2.74546745e-01]
[ 8.90760124e-01 1.09235653e-01 4.22292409e-06]
[ 2.32339490e-03 4.47236837e-01 5.50439768e-01]
[ 8.59945211e-04 4.22804376e-01 5.76335679e-01]
[ 9.24814068e-01 7.51814638e-02 4.46852786e-06]
[ 2.01307999e-02 9.35166320e-01 4.47028801e-02]
[ 1.71215635e-02 5.07246971e-01 4.75631465e-01]
[ 1.83964097e-04 3.17849048e-01 6.81966988e-01]
[ 5.69461042e-01 4.30536566e-01 2.39269631e-06]
[ 8.26025475e-01 1.73971556e-01 2.96936737e-06]
[ 3.05327704e-04 5.15880492e-01 4.83814180e-01]
[ 4.69978972e-03 2.90561777e-01 7.04738434e-01]
[ 8.61077168e-01 1.38915993e-01 6.83858427e-06]
[ 6.99887637e-04 2.48614010e-01 7.50686102e-01]
[ 5.33421842e-02 8.31557126e-01 1.15100690e-01]
[ 2.34973018e-02 3.54915328e-01 6.21587370e-01]
[ 1.63311193e-03 3.48301765e-01 6.50065123e-01]
[ 7.72156866e-01 2.27838662e-01 4.47157219e-06]
[ 9.30816593e-01 6.91640361e-02 1.93708074e-05]]
The accuracy of the Logistic Regression is: 0.958333333333
The accuracy of the Logistic Regression is: 0.8
'''
#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()
'''
结果如下：
The confusion matrix result:
[[10 0 0]
[ 0 7 3]
[ 0 3 7]]
'''
三、逻辑回归原理简介
当z≥0 时,y≥0.5,分类为1，当 z<0时,y<0.5,分类为0，其对应的y值我们可以视为类别为1的概率预测值。Logistic回归虽然名字里带有“回归”，但它实际上是一种分类方法。主要用于两类问题（即输出只有两种，分别代表两个类别），所以利用了Logistic函数（或称为Sigmoid函数），函数形式为：
对应的函数图像可以表示如下：
import numpy as np
import matplotlib.pyplot as plt
x=np.arange(-5,5,0.01)
y=1/(1+np.exp(-x))
plt.plot(x,y)
plt.xlabel('z')
plt.ylabel('y')
plt.grid()
plt.show()
通过上图，我们可以发现Logistic函数是单调递增函数，并且在z=0
而回归的基本方程，
将回归方程写入其中为：
所以，
从原理上来说，逻辑回归其实是实现了一个决策边界：对于函数
当z≥0 时,y≥0.5,分类为1，当 z<0时,y<0.5,分类为0，其对应的y值我们可以视为类别为1的概率预测值。
对于模型的训练而言：实际上就是利用数据求解出对应的模型的特定的w，从而得到一个针对与当前数据的特征逻辑回归模型。
而对于多分类而言：将多个二分类的逻辑回归组合，即可实现二分类。
扫一扫
968
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
