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