二、回归——logistic regression实现多类别分类的实现

最新推荐文章于 2024-08-24 18:06:30 发布

Nicole_Liang

最新推荐文章于 2024-08-24 18:06:30 发布

阅读量9.8k

点赞数 1

分类专栏：机器学习算法——回归文章标签：多类别分类 logistic regression

本文链接：https://blog.csdn.net/weixin_39541558/article/details/80621692

版权

一、one-Versus-All，OVA方法

一对所有（one-Versus-All，OVA），给定m个类，训练m个二元分类器(将选取任意一类，再将其它所有类看成是一类，构建一个两类分类器)。分类器j使类j的元组为正类，其余为负类，进行训练。为了对未知元组X进行分类，分类器作为一个组合分类器投票。例如，如果分类器j预测X为正类，则类j得到一票。如果他测得X为正类，则类j得到一票。如果测X为负类，则除j以外的每一个类都得到一票（相当于此类的票数减一）。得票最多的指派给X。这种方法简单有效，而且使用类似logistic这种有概率值大小可以比较的情况下，类边界其实是个有范围的值，可以增加正确率。而且当K(类别数量)很大时，通过投票的方式解决了一部分不平衡性问题。

二、官网代码实现

###############################官网示例#######################################
#导入数据
from sklearn import linear_model, datasets  

# import some data to play with
iris = datasets.load_iris()
X = iris.data[:, :2]  # we only take the first two features.
Y = iris.target
print(type(X))
print(type(Y))
X.shape
Y.shape

logreg = linear_model.LogisticRegression(C=1e5)

a = logreg.fit(X, Y)
a.coef_     #返回参数的系数
a.pre