（一）感知器、逻辑斯蒂回归、SGD实现二分类[机器学习代码]

    机器学习课程总结，本系列文章以代码和注释为主。
    理论部分搬至博客上比较耗费时间，所以缺少理论部分。但是也欢迎大家一起探讨学习。
    如果需要理论部分的讲义，可私信（个人觉的讲的很好很全）。

问题需求

        附件中的数据data_label_0和data_label_1中分别是标签为0和1的样本。

       请用这些数据训练感知器模型和Logistics 回归模型，给出这两种模型的评价，并预测data_test中的样本标签。

代码1

# -*- coding: utf-8 -*-#
# Author: xhc
# Date:    2021-03-09 17:09
# project:  0308
# Name:    Logistic_new.py
# import pandas as pd
"""
附件中的数据data_label_0和data_label_1中分别是标签为0和1的样本。
请用这些数据训练感知器模型和Logistics 回归模型，给出这两种模型的评价，并预测data_test中的样本标签。
二分类---感知器、逻辑斯蒂回归、SGD
"""


import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection  import train_test_split
from sklearn.metrics import classification_report

train_0 = pd.read_csv("./data/data_label_0.csv",header=None)
train_1 = pd.read_csv("./data/data_label_1.csv",header=None)
predict = pd.read_csv("./data/data_test.csv",header=None)
print(train_0.shape)
print(train_1.shape)
print(predict.shape)

train_1 = train_1.iloc[:566, :64]
print(train_1.shape)

x_future = np.vstack((train_0,train_1))
print(x_future.shape)
a = [0