创建逻辑回归器 Logistic_Regression

逻辑回归分类器（Logistic Regression）

回归，就是对已知公式的未知参数估计，即利用已知数据进行拟合出公式，公式通常代表着曲线。分类，就是用回归拟合出的曲线对未知数据进行分类。

参考资料：https://www.cnblogs.com/muchen/p/6296957.html

• 导入包

import numpy as np
import  sklearn.linear_model as lm
import matplotlib.pyplot as plt

• 创建带有训练标记的训练数据

X = np.array([[4,7],[3.5,8],[3.1,6.2],[0.5,1],[1,2],[1.2,1.9],[6,2],[5.7,1.5],[5.4,2.2]])
y = np.array([0,0,0,1,1,1,2,2,2])

• 初始化一个逻辑回归分类器

classifier = lm.LogisticRegression(solver='liblinear',C=100)
# solver 设置求解系统方程的算法类型
# C 正则化强度，数值越小，则代表正则化强度越高

• 训练逻辑分类器

classifier.fit(X,y)

• 定义绘图函数

def plot_classifier(classifier,x,y):
    #取值范围
    x_min,x_max = min(x[:,0])-1.0,max(x[:,0])+1.0
    y_min,y_max = min(x[:,1])-1.0,max(x[:,1])+1.0
    #设置网格步长
    step_size = 0.01
    #定义网格
    x_values,y_values = np.meshgrid(np.arange(x_min,x_max,step_size),np.arange(y_min,y_max,step_size))
    #计算分类器输出结果
    mesh_output = classifier.predict((np.c_[x_values.ravel(),y_values.ravel()]))
    #维度变回网格
    mesh_output = mesh_output.reshape(x_values.shape)
    #绘制网格
    plt.figure()
    plt.pcolormesh(x_values,y_values,mesh_output,cmap=plt.cm.gray)
    #绘制数据点
    plt.scatter(x[:,0],x[:,1],c=y,s=80,edgecolors='black',linewidth=1,cmap=plt.cm.Paired)
    # c:表示颜色的使用顺序
    plt.show()

• 画出数据点及区域

plot_classifier(classifier,X,y)

• 下图为绘图函数运行时的变量表

%matplotlib inline
from func_plot_img import plot_img   #plot_img在此的作用为将下图画出来，与主题无关
plot_img("逻辑回归器变量图.jpg","逻辑回归器变量图")

以上为创建逻辑回归器 Logistic_Regression 的步骤！