机器学习入门：第三章 逻辑(Logistic)回归 scikit-learn进行回归分类(6)

在机器学习中有很多的开源库，scikit-learn是其中一个较为优秀的开发库，官网地址 地址 。

scikit-learn简称为sklearn，在里面集成了大量的常见机器学习算法，后面会专门来介绍sklearn的整个框架，这里先直接拿过来使用，用来做逻辑回归。

使用pip 安装 sklearn

pip install scikit-learn

在sklearn中已经对大部分的算法进行了封装，算法的过程相当于把数据喂给 算法，再用算法对数据进行预测。

建立模型，对数据进行训练

model = LogisticRegression(C=1e9)
model.fit(train_data, train_result)

预测数据：

predict_y = model.predict(test_data)

这就代替了我们需要自己写逻辑分类了。

用sklearn 替换算法。

#!/usr/bin/env python
# -*- coding: utf-8 -*-


import matplotlib.pyplot as plt
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd


from sklearn.linear_model import LogisticRegression


df = pd.read_csv("ex2data1.txt", header=None)


score_data = df.values[:,:-1]
result_data = df.values[:,-1:]
model = LogisticRegression(C=1e9)
model.fit(score_data, result_data)

h = 0.02
x_min, x_max = df.loc[:, 0].min() - .5, df.loc[:, 0].max() + .5
y_min, y_max = df.loc[:, 1].min() - .5, df.loc[:, 1].max() + .5
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = model.predict(np.c_[xx.ravel(), yy.ravel()])

# 绘制边界和散点
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)

ex_data_0 = df[df[2] == 0].values
ex_data_1 = df[df[2] == 1].values
plt.scatter(ex_data_0[:, 0], ex_data_0[:, 1], marker='x', c='r')
plt.scatter(ex_data_1[:, 0], ex_data_1[:, 1], marker='o', c='black')

plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.savefig('sklearn_lg.png')

得到了如下的结果：

这里解释一下plt.contourf 这个是sklearn 经常用到的绘图函数，sklearn通过预测该区域中的数值，通过plt.contourf绘制出，也就是更加不同的值，显示不同的颜色，也就是等高线绘图。