python使用sklearn进行逻辑回归

最新推荐文章于 2024-08-22 17:19:50 发布

集社

最新推荐文章于 2024-08-22 17:19:50 发布

阅读量427

点赞数 1

文章标签：逻辑回归算法机器学习

本文链接：https://blog.csdn.net/wanlmx/article/details/131514466

版权

文章演示了如何利用Python的sklearn库进行逻辑回归分析。首先导入必要的库，然后创建一个自定义的房屋租金和面积数据集，接着对数据进行标准化预处理，再用LogisticRegression拟合数据并训练模型，最后对新的房屋信息进行租赁预测并输出预测概率。

摘要由CSDN通过智能技术生成

在逻辑回归部分，使用的数据集为自定义的房屋租金和面积相关的数据集，在实验初始阶段会

进行定义。

步骤 1 导入依赖

输入：

# 从 sklearn.preprocessing 里导入 StandardScaler。
from sklearn.preprocessing import StandardScaler
# 从 sklearn.linear_model 里导入 LogisticRegression
from sklearn.linear_model import LogisticRegression

步骤 2 自定义数据集

输入：

# X：每一项表示租金和面积
# y：表示是否租赁该房间（0：不租，1：租）
X=[[2200,15],[2750,20],[5000,40],[4000,20],[3300,20],[2000,10],[2500,12],[12000,80],
 [2880,10],[2300,15],[1500,10],[3000,8],[2000,14],[2000,10],[2150,8],[3400,20],
 [5000,20],[4000,10],[3300,15],[2000,12],[2500,14],[10000,100],[3150,10],
 [2950,15],[1500,5],[3000,18],[8000,12],[2220,14],[6000,100],[3050,10]
 ]
y=[1,1,0,0,1,1,1,1,0,1,1,0,1,1,0,1,0,0,0,1,1,1,0,1,0,1,0,1,1,0]

步骤 3 数据预处理

标准化数据，保证每个维度的特征数据方差为 1 ，均值为 0 。使得预测结果不会被某些维度过

大的特征值而主导。

输入：

ss = StandardScaler()
X_train = ss.fit_transform(X)

查看标准化处理后的数据。

输入：

print(X_train)

输出：

步骤 4 数据拟合

输入：

#调用 Lr 中的 fit 模块训练模型参数
lr = LogisticRegression()
lr.fit(X_train, y)

步骤 5 数据预测

输入：

testX = [[2000,8]]
X_test = ss.transform(testX)
print("待预测的值：",X_test)
label = lr.predict(X_test)
print("predicted label = ", label)
#输出预测概率
prob = lr.predict_proba(X_test)
print("probability = ",prob)

输出：