基于逻辑回归的分类预测

基于逻辑回归的分类预测

理论

逻辑回归（也叫对数几率回归）:本质是一种二分类
对数几率函数（即Sigmoid函数）：y=1/(1+e^(-z) ), y∈(0,1)
当z>0时，y>0.5,分类为1（这个就是一个标签，可以自己指定）；
当z<0时，y<0.5,分类为0
z=w^T*x+b
结合上面两个公式可以得到：〖 ln〗⁡〖y/(1-y)〗=w^T x+b
若将y视为样本x作为正例的可能性，则1-y是其反例可能性，两者的比成为“几率”
则相应的对数几率为：〖 ln〗⁡〖y/(1-y)〗
若将y视为类后验概率估计p(y=1|x),则p(y=1│x)=e^(wT x+b)/(1+e^(wT x+b) )
p(y=0│x)=1- p(y=1│x)
通过样本，可以计算出参数w和再根据求出来的参数给定输入进行预测，就能得到分类结果,

代码详解

np.meshgrid (x, y) ------产生一个表格矩阵，可理解为x为横轴，y为纵轴
np.c_[a, b]
plt.contour （x，y，z，[ 0.5], linewidth= 2, colors= ‘blue’）
# x,y 分别代表横、纵坐标，z代表函数值
plt.scatter（x,y,s,c,camp）
# x、y横纵坐标 ；s是size,c=color,camp和c有关
plt.annotate(s=‘New point 1’, xy=(1,2), xytext=(-1.5, 2.5),color=‘red’,
arrowprops=dic(arrowstyle=’-|>’, connectionstyle=‘arc3’,color=‘red’))
#在图形上给数据添加文本注解
s：注释文本的内容
xy：被注释的坐标点，二维元组形如(x,y)
xytext：注释文本的坐标点，也是二维元组，默认与xy相同
arrowprops:箭头样式（箭头样式，连接线样式，颜色）

画图调用函数：
直接写应该是这样matplotlib.pyplot.figure
import matplotlib.pyplot as plt
plt.figure()
plt.scatter() #散点图
plt.tittle(‘dataset’)
中间可插入其他画图
如plt.contour
plt.grid() #显示栅格
plt.show()
plt.scatter