手写算法-python代码实现非线性逻辑回归
非线性逻辑回归分析
上一篇文章,我们介绍了逻辑回归,详情请看这里:
链接: 手写算法-python代码实现逻辑回归(带L1、L2正则项)
其实这是线性逻辑回归,决策边界是线性的,那么当一个数据集,它的划分边界是非线性时,我们该怎么处理?
我们利用sklearn来生成相关数据集:
import numpy as np
import matplotlib.pyplot as plt
#生成高斯分布数据
from sklearn.datasets import make_gaussian_quantiles
#生成2个特征、2个类别的的数据集
x,y = make_gaussian_quantiles(n_samples=200, n_features=2,n_classes=2,random_state = 2020)
#颜色=类别,这样画图很方便
plt.scatter(x[:,0], x[:,1], c=y)
plt.show()
如图,此时当我们继续用普通逻辑回归去做分类时,可预估到,效果将会很差(前面我们讲非线性回归时,分析过,这里更适合x的多项式作为输入),想了解的请看这里:
链接: 手写算法-Python代码实现非线性回归
用python代码写的逻辑回归类画决策边界 & 用sklearn里面的逻辑回归库画决策边界
用我们写好的逻辑回归代码,看一看,不对x进行处理时,拟合分类边界还会是一条直线吗?
class LogisticRegression:
#默认没有正则化,正则项参数默认为1,学习率默认为0.001,迭代次数为10001次
def __init__(self,penalty = None,Lambda = 1,a = 0.001,epochs = 10001):
self.W = Non