python中逻辑回归结果怎么看_如何理解python中sklearn的逻辑回归，并用简单实例练习？...

(本文为新手小白练手笔记，大神请忽略，阅读大约10分钟，请多指教、点赞哈，谢谢～～)

1，分类和回归

用python进行机器学习时，我一直有个困惑就是线性回归、逻辑回归的区别在哪儿？机器学习的过程中，究竟是如何应用的呢？要解决这个问题，这就涉及到数据的分类了。如下图所示：

感谢猴子老师提供的图片。如上图，大体上数据可分三种类型，离散的、连续的和时间序列三种，这三种数据类型对应不同的方法。下图中列出了方法的分类、区别：

这两张图中对比了回归和分类方法的区别，以及机器学习中常见的术语，应该清楚了吧？哈哈，下面通过一个实例进行进一步的阐述。

2，准备数据

先准备好数据如下：

3，提出问题

根据数据，这是一个由“学习时间”和“通过考试”组成的数据表，那么提出三个问题；能否通过机器学习模型，让其预测某个学习时间通过考试的概率是多少？

或者更进一步，能否直接反馈某个学习时间能否通过考试？

若建立了模型，则该模型预测的正确率是多少？

带着上述三个问题，进一步进行分析。

4，理解数据

画出原始数据examDF的散点图，方便理解数据。

如上所示，数据呈现两极分布，分属于两类，此时用分类方法比较合适，下一步讲采取适用分类数据的逻辑回归进行分析预测。

5，构建模型

根据数据examDF显示出来的两极分布特性，采用sklearn的逻辑回归进行分析。

5.1 选取特征和标签，并拆分训练－测试数据集(train—test数据集)

如上所示，用sklearn中的train_test_split函数，对原始数据的80%选为训练数据，20%为测试数据。

5.2 绘制训练－测试数据散点图

通过散点图查看训练－测试数据的分布。

5.3 训练模型

用sklearn的LogisticRegression构建逻辑回归模型，并用fit函数训练前面拆分得到的训练－测试数据。

然而，事情并没有这么顺利，用fit进行训练时出现报错，提示“如果只有一个特征，应将特征数据重塑为只有1列的数组”，则有：

如上，这次训练模型成功。

6，评估模型

评估逻辑回归的准确度要用到score方法，score的值的表示预测正确数／总数量，如下：

正确率为0.75，表示模型model_1对测试数据进行预测后，与原测试数据的标签对比后发现正确率为75%。

7，用模型进行预测

为了验证模型，也为了更好的理解逻辑回归的过程，现预测当学习时间为3时，通过考试的概率。

7.1 用model的predict_proba预测不通过／通过的概率

如上，当学习时间为3小时时，不通过与通过的概率分别是0.38071038 、0.61928962。

7.2 用model的predict预测能否通过，并直接输出标签

如上，不通过返回0，通过返回1。结果返回1，与7.1中预测的概率结果一致。

7.3 详解逻辑回归预测的具体过程

如上图所示，预测的结果与7.1中预测的概率一致。而上图更是详细展示了逻辑回归是如何预测的，这也解释了本质上是二分分类的逻辑算法，为何会被归为回归，因为逻辑算法的自变量z是通过线性回归的方法得出的。

8，学习心得

实际使用中，可使用model.predict_proba预测相关概率；

而用model.predict，可直接预测能否通过，返回的是最后的标签

遇到逻辑回归不明白的地方，不应钻牛角尖，可尝试先完成手头项目，“完成比完美更重要”，后面练得多了自然就熟悉了。