python逻辑量是什么意思_python中逻辑回归算法是什么？

在处理一个稍微复杂的问题时，我们可以简单的把它进行拆分，针对不同的小问题进行处理。在python中逻辑回归算法，用到的就是这种思想，不过在具体的操作上有一些复杂。下面我们就python中逻辑回归算法的说明、优缺点、使用数据分别进行介绍，然后带来一个实例供大家体会。

1.说明

逻辑回归简称LR，能够将特征输入集合转化为0和1这两类的概率。我们可以简单的把逻辑回归所要解决的问题理解为“分类”问题，在分类问题中最为简单的为二分类，即我们只需要把一组数据分为两类即可。而在二分类问题中，最为简单的又属“线性分类”，即我们只需要用一条直线即可将两类数据分开。

2.优点

计算代价不高，易于理解和实现。

3.缺点

容易欠拟合，分类精度不高。

4.使用数据

数值型和标称型。

5.实例from sklearn.linear_model import LogisticRegression

# 复习情况，格式为[时长，效率]

x_train=[(0,0),(7,0.9),(15,0.4),(13,0.9),(15,0.4),(16,0.4),(16,0.8),(15,0.7),(17,0.2),(7.5,0.8),(17,0.9),(18,0.1),(18,0.6),(18,0.8)]

y_train=[0,0,0,1,0,0,1,1,0,1,1,0,1,1] #0考不上，1考得上

# 创建并训练逻辑回归模型

reg=LogisticRegression()

reg.fit(x_train,y_train)

# 测试模型

x_test=[(3,0.1),(8,0.3),(7,0.2),(4,0.2),(4,0.4)]

y_test=[0,0,0,0,0]

score=reg.score(x_test,y_test)

# 预测并输出预测结果

learning=[(16,0.9)]

result=reg.predict_proba(learning)

msg='''模型得分：{0}

复习时长为：{1[0]},效率为：{1[1]}

您考不上的概率为：{2[0]}

您考的上的概率为：{2[1]}

总和判断，您会：{3}'''.format(score,learning[0],result[0],'考不上'if result[0][0]>0.5 else "考得上")

print(msg)

以上就是python中逻辑回归算法的简单介绍，相信学完之后，很多人对于这种分类的计算方法产生了兴趣。想要深入了解相关的方法，可以在课后找寻一些资料。更多Python高级指路：