python logistic实例_python sklearn库实现简单逻辑回归的实例代码

Sklearn简介

Scikit-learn(sklearn)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。当我们面临机器学习问题时，便可根据下图来选择相应的方法。

Sklearn具有以下特点：

简单高效的数据挖掘和数据分析工具

让每个人能够在复杂环境中重复使用

建立NumPy、Scipy、MatPlotLib之上

代码如下所示：

import xlrd

import matplotlib.pyplot as plt

import numpy as np

from sklearn import model_selection

from sklearn.linear_model import LogisticRegression

from sklearn import metrics

data = xlrd.open_workbook('gua.xlsx')

sheet = data.sheet_by_index(0)

Density = sheet.col_values(6)

Sugar = sheet.col_values(7)

Res = sheet.col_values(8)

# 读取原始数据

X = np.array([Density, Sugar])

# y的尺寸为(17,)

y = np.array(Res)

X = X.reshape(17,2)

# 绘制分类数据

f1 = plt.figure(1)

plt.title('watermelon_3a')

plt.xlabel('density')

plt.ylabel('ratio_sugar')

# 绘制散点图(x轴为密度，y轴为含糖率)

plt.scatter(X[y == 0,0], X[y == 0,1], marker = 'o', color = 'k', s=100, label = 'bad')

plt.scatter(X[y == 1,0], X[y == 1,1], marker = 'o', color = 'g', s=100, label = 'good')

plt.legend(loc = 'upper right')

plt.show()

# 从原始数据中选取一半数据进行训练，另一半数据进行测试

X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.5, random_state=0)

# 逻辑回归模型

log_model = LogisticRegression()

# 训练逻辑回归模型

log_model.fit(X_train, y_train)

# 预测y的值

y_pred = log_model.predict(X_test)

# 查看测试结果

print(metrics.confusion_matrix(y_test, y_pred))

print(metrics.classification_report(y_test, y_pred))

总结

以上所述是小编给大家介绍的python sklearn库实现简单逻辑回归的实例代码,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对网站的支持！

如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！