- 导入模块
模型采用sklearn
模块导入
#导入模块
from sklearn.linear_model import LogisticRegression
- 读取数据
训练模型时需要导入训练集数据,即输入与输出的数据集。训练数据可以是任何格式的数据集,通过提取转换为x,y。
#这个例子是直接使用了自定义数组,导入训练数据,分别定义为x,y
x_fearures = np.array([[-1, -2], [-2, -1], [-3, -2], [1, 3], [2, 1], [3, 2]])
y_label = np.array([0, 0, 0, 1, 1, 1])
如果是csv、txt格式的file文件,可以通过pandas直接读取。
import pandas as pd
'''
csv
'''
file_dir = r'c:\test.csv'
data_set = pd.read_csv(file_dir) #导入的数据将是一个dataframe的格式
#然后再通过切片的方式将数据赋值给x,y
x = data_set[:-2]
y = data_set[-2:-1]
如果是xml格式的呢,则需要通过xml.dom.minidom
获取指定元素,保存为dataframe或者其他格式。
'''
xml读取的示例
'''
import xml.dom.minidom
import pandas as pd
def DOM_XML(xml_path):
# 创建接收DataFrame
JOBs = pd.DataFrame()
# 创建接收数组
NAMe = []
VALUe = []
# 解析获取XML需要部分
DOMTree = xml.dom.minidom.parse(xml_path)
DEFTABLE = DOMTree.documentElement
Jobs = DEFTABLE.getElementsByTagName("JOB")
# 获取存储Elements
for JOB in Jobs:
for VARIABLE in VARIABLEs:
NAME = VARIABLE.getAttribute("NAME")
VALUE = VARIABLE.getAttribute("VALUE")
NAMe.append(NAME)
VALUe.append(VALUE)
JOBs['VARIABLE_VALUE'] = VALUe
JOBs['VARIABLE_NAME'] = NAMe
return JOBs
- 预处理数据
一般情况下,数据都要经过预处理这个步骤。即查看数据的类型,缺失情况,异常值或者进行数据转换等操作。
dataset.info() #查看数据样本整体情况
dataset.describe() #查看数据样本的统计描述
#异常值分析一方面可以针对统计量进行,另外方面需要结合数据实际含义进行。异常值查询方法较多,以下列举两个:
#通过统计量查看异常值
q1 = dataset['25%']
q3 = dataset['75%']
iqr = q3 - q1
mi = q1 - 1.5*iqr
ma = q3 + 1.5*iqr
print('分位差为:%.3f,下限为:%.3f,上限为:%.3f' % (iqr,mi,ma))
#通过箱型图分析异常值
fig = plt.figure(figsize = (10,6))
ax1 = fig.add_subplot(2,1,1)
color = dict(boxes='DarkGreen', whiskers='DarkOrange', medians='DarkBlue', caps='Gray')
data.plot.box(vert=False, grid = True,color = color,ax = ax1,label = '样本数据')
#缺失值处理时,需要针对缺失情况以及数据需求进行处理,可以涉及剔除、均值补齐、回归补齐、特定数值补齐等(无特定处理方式)
dataset.isnull().any(axis = 0) #查看是否存在缺失值
dataset.isnull().sum(axis = 0) #统计缺失值的数量
dataset.isnull().any(axis = 1).sum()/dataset.shape[0] #统计缺失值的占比
- 定义模型
定义逻辑回归模型,以供拟合数据集的时候使用,通过fit()`方法进行数据训练
#定义模型函数
lr_clf = LogisticRegression()
#通过fit()方法进行数据训练
lr_clf = lr_clf.fit(x_fearures, y_label)
- 查看模型参数
lr_clf.coef_
lr_clf.intercept_
- 可视化
有时候为了更直观的呈现模型或者数据情况,我们需要将数据可视化
#可视化模块
import matplotlib.pyplot as plt
import seaborn as sns
plt.figure() #定义绘图
plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis') #定义x,y数据
plt.title('Dataset') #定义标题
plt.show() #呈现
- 利用训练好的模型进行预测,通过
predict()
方法进行预测
## 在训练集和测试集上分布利用训练好的模型进行预测,predict(dataset)
y_label_new1_predict = lr_clf.predict(x_fearures_new1)
y_label_new2_predict = lr_clf.predict(x_fearures_new2)
## 由于逻辑回归模型是概率预测模型(前文介绍的 p = p(y=1|x,\theta)),所有我们可以利用 predict_proba 函数预测其概率
y_label_new1_predict_proba = lr_clf.predict_proba(x_fearures_new1)
y_label_new2_predict_proba = lr_clf.predict_proba(x_fearures_new2)