python sklearn logistic_用python学习sklearn中的逻辑回归

本文是小白文章，大神请忽略。

逻辑回归，其与线性回归的不同在于，逻辑回归的输出结果为二分分类结果，可以视为 true 或false 多以成为逻辑回归。

数据类型分为： 1.数值数据(定量数据) ——离散数据 与 连续数据

2.分类数据(定性数据)

3. 时间序列数据

用猴子老师的图片做一下总结：

这两张图对比了回归和分类的方法，下面是逻辑回归实例。

2.准备数据

3.提出问题

该数据是“学习时间”与“通过考试”，组成的数据表，提出问题如下：

1.利用机器学习模型，计算“学习时间”所对应“通过考试”的概率？

2. 该模型是否可以预测某个学习时间，能否通过考试？

4. 理解数据

通过绘制散点图，观察数据

如上图所示，标签数据为分类数据，适合采用逻辑回归模型进行机器学习。

5. 构建模型

5.1选取特征和标签，并拆分为训练数据和测试数据

原数据数量为20，从中随机选取80%为训练数据，20%为测试数据。

5.2

绘制训练数据与测试数据的散点图。

5.3 训练模型

用sklearn的LogisticRegression构建逻辑回归模型，并训练模型

6.评估模型

用score来评估逻辑回归的预测准确率。

正确率为0.75，表示逻辑回归模型对测试数据预测，其正确率为75%。

7.用模型进行预测

更好理解逻辑回归结果的含义，先对学习时间为5小时，通过考试的概率，以及预测结果。

经验：

多思考代码含义，多练习。