概述
Logistic函数的数学表达式如下:
logistic回归是针对标签为类别变量而设计的算法,主要用于监督学习的分类。
Logistic回归的假设函数就是套上Logistic函数的线性方程,也就是把线性方程表达式带入上式的z,表达式如下:
代码实战
# 从Scikit-Learn库导入线性模型中的Logistic回归算法
from sklearn.linear_model import LogisticRegression
#Scikit-Learn库带有知名的鸢尾花分类数据集,是一个分类问题的数据集
from sklearn.datasets import load_iris
from sklearn import model_selection
#载入鸢尾花数据集
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = model_selection.train_test_split(X,y, test_size = 0.2)
#训练模型
clf = LogisticRegression().fit(X_train, y_train)
#使用模型进行分类预测
y_predict=clf.predict(X_test)
print("预测值{}".format(y_predict))
print("原值{}".format(y_test))
print("得分:{}".format(clf.score(X_test,y_test)))
得分不错
Logistic回归是基于线性模型,增加了Logistic函数实现的分类算法,具有原理清晰、结构简单等优点。但同样由于结构简单,在多特征、多类别的数据环境下,Logistic回归容易出现过拟合的情况,表现不如二元分类领域。