python 逻辑回归分类_机器学习-逻辑回归分类

分类问题: 1) 本质：决策面(decision surface)2)评估分类算法的指标，正确率=正确分类个数/总数

二分分类：逻辑回归输入：训练数据的特征和标签--->>>模型：逻辑回归---->>>输出：分类结果

什么是逻辑函数？

在0到1之间取值，逻辑回归是因为参数是逻辑函数

逻辑的数值：表示分类结果是1是Y的结果

决策面：大于等于0.5 或 小于0.5

3.Python的逻辑回归分类做法建立数据集

from collections import OrderedDict

import pandas as pd

#数据集

examDict={

'学习时间':[0.50,0.75,1.00,1.25,1.50,1.75,1.75,2.00,2.25,2.50,

2.75,3.00,3.25,3.50,4.00,4.25,4.50,4.75,5.00,5.50],

'通过考试':[0,0,0,0,0,0,1,0,1,0,1,0,1,0,1,1,1,1,1,1]

}

examOrderDict=OrderedDict(examDict)

examdf=pd.DataFrame(examOrderDict)

examdf.head()from collections import OrderedDict

import pandas as pd提取特征和标签

#特征features

exam_x=examdf.loc[:,'学习时间']

#标签labels

exam_y=examdf.loc[:,'通过考试']绘制散点图

import matplotlib.pyplot as plt

#散点图

plt.scatter(exam_x,exam_y,color="b", label="exam data")

#添加图标标签

plt.xlabel("Hours")

plt.ylabel("Pass")

#显示图像

plt.show()

建立训练数据集和测试数据集

from sklearn.model_selection import train_test_split

#建立训练数据和测试数据

x_train, x_test,y_train, y_test=train_test_split(exam_x,

exam_y,

train_size=.8)

#输出数据大小

print('原始数据特征：',exam_x.shape ,

'，训练数据特征：', x_train.shape ,

'，测试数据特征：',x_test.shape )

print('原始数据标签：',exam_y.shape ,

'训练数据标签：', y_train.shape ,

'测试数据标签：' ,y_test.shape)

Output：

原始数据特征： (20,) ，训练数据特征： (16,) ，测试数据特征： (4,)

原始数据标签： (20,) 训练数据标签： (16,) 测试数据标签： (4,)

#绘制散点图

import matplotlib.pyplot as plt

#散点图

plt.scatter(x_train, y_train, color="blue",label="train data")

plt.scatter(x_test, y_test, color="red",label="test data")

#添加图标标签

plt.legend(loc=2)

plt.xlabel("Hours")

plt.ylabel("Pass")

#显示图像

plt.show()评估模型(用测试数据)

#评估模型：准确率

model.score(x_test,y_test)

0.75逻辑函数

#获取概率值

#第1个值是标签为0的概率值，第2个值是标签为1的概率值

model.predict_proba(4)

array([[0.27173471, 0.72826529]])

#预测数据：使用模型的predict方法可以进行预测。

我们输入学生的特征学习时间4小时，模型返回结果标签是1，就代表预测该学生未通过考试。

pred=model.predict([[4]])

print(pred)

[1]这个预测值是如何得到的？运用逻辑回归函数展示一下

import numpy as np

#第1步：得到回归方程的z值(假设我们X=4，即4个小时)

#回归方程：z= + x

#截距

a=model.intercept_

#回归系数

b=model.coef_

x=4

z=a+b*x

#第2步：将z值带入逻辑回归函数中，得到概率值(预测是1的概率)

y_pred=1/(1+np.exp(-z))

print('预测的概率值：',y_pred)

预测的概率值： [[0.72826529]]

与之前的预测概率值是吻合的!

4.分类和回归有什么区别？

首先要有3种数据类型

1.数值数据(定量数据)--离散数据，连续数据

2.分类数据(定性数据)

3.时间序列数据

5. 总结