基于鸢尾花(iris)数据集的逻辑回归分类实践
Step1:库函数导入
基础函数库
import numpy as np
import pandas as pd
绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns
其中:numpy (Python进行科学计算的基础软件包),pandas(pandas是一种快速,强大,灵活且易于使用的开源数据分析和处理工具),matplotlib和seaborn绘图。seaborn就是在matplotlib基础上面的封装,方便直接传参数调用。Matplotlib 是 Python 的绘图库。 它可与 NumPy 一起使用,提供了一种有效的 MatLab 开源替代方案。 它也可以和图形工具包一起使用,如 PyQt 和 wxPython。
本次鸢尾花的相关数据信息:
变量 | 描述 |
---|---|
sepal length | 花萼长度(cm) |
sepal width | 花萼宽度(cm) |
petal length | 花瓣长度(cm) |
petal width | 花瓣宽度(cm) |
target | 鸢尾的三个亚属类别,‘setosa’(0), ‘versicolor’(1), ‘virginica’(2) |
该数据集一共包含5个变量,其中4个特征变量,1个目标分类变量。共有150个样本。我们将通过这4个特征变量来对其进行类别识别,判断属于哪一种亚种。
Step2:数据读取/载入
我们利用 sklearn 中自带的 iris 数据作为数据载入,并利用Pandas转化为DataFrame格式
from sklearn.datasets import load_iris
data = load_iris() #得到数据特征
iris_target = data.target #得到数据对应的标签
iris_features = pd.DataFrame(data=data.data, columns=data.feature_names) #利用Pandas转化为DataFrame格式
Step3:数据信息简单查看
利用.info()查看数据的整体信息
iris_features.info()
output:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 150 entries, 0 to 149
Data columns (total 4 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 sepal length (cm) 150 non-null float64
1 sepal width (cm) 150 non-null float64
2 petal length (cm) 150 non-null float64
3 petal width (cm) 150 non-null float64
dtypes: float64(4)
memory usage: 4.8 KB
进行简单的数据查看,我们可以利用 .head() 头部.tail()尾部
iris_features.head()
output:
iris_features.tail()
其对应的类别标签为,其中0,1,2分别代表’setosa’, ‘versicolor’, 'virginica’三种不同花的类别。
iris_target
output:
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
利用value_counts函数查看每个类别数量
pd.Series(iris_target).value_counts()
ouput:
2 50
1 50
0 50
dtype: int64
对于特征进行一些统计描述
iris_features.describe()
output:
从上面表格可以看到鸢尾花不同特征值的平均值,标准差,最小值等。
Step4:可视化描述
## 合并标签和特征信息
iris_all = iris_features.copy() ##进行浅拷贝,防止对于原始数据的修改
iris_all['target'] = iris_target
## 特征与标签组合的散点可视化
sns.pairplot(data=iris_all,diag_kind='hist', hue= 'target')
plt.show()
图中不同颜色代表不同的分类,即不同的亚种鸢尾花。
同时,利用箱型图我们也可以得到不同类别在不同特征上的分布差异情况。
for col in iris_features.columns:
sns.boxplot(x='target', y=col, saturation=0.5,palette='pastel', data=iris_all)
plt.title(col)
plt.show()
接下来选取其前三个特征绘制三维散点图。
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure(figsize=(10,8))
ax = fig.add_subplot(111, projection='3d')
iris_all_class0 = iris_all[iris_all['target']==0].values
iris_all_class1 = iris_all[iris_all['target']==1].values
iris_all_class2 = iris_all[iris_all['target']==2].values
# 'setosa'(0), 'versicolor'(1), 'virginica'(2)
ax.scatter(iris_all_class0[:,0], iris_all_class0[:,1], iris_all_class0[:,2],label='setosa')
ax.scatter(iris_all_class1[:,0], iris_all_class1[:,1], iris_all_class1[:,2],label='versicolor')
ax.scatter(iris_all_class2[:,0], iris_all_class2[:,1], iris_all_class2[:,2],label='virginica')
plt.legend()
plt.show()
从三维图中我们可以更加直观看到数据集的类别分布。
Step5:利用 逻辑回归模型 在二分类上 进行训练和预测
在训练开始之前需要先把数据集划分成训练集和测试集,这样能有效的测试模型训练的成果。
## 为了正确评估模型性能,将数据划分为训练集和测试集,并在训练集上训练模型,在测试集上验证模型性能。
from sklearn.model_selection import train_test_split
## 选择其类别为0和1的样本 (不包括类别为2的样本)
iris_features_part = iris_features.iloc[:100]
iris_target_part = iris_target[:100]
## 测试集大小为20%, 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(iris_features_part, iris_target_part, test_size = 0.2, random_state = 2020)
## 从sklearn中导入逻辑回归模型
from sklearn.linear_model import LogisticRegression
## 定义 逻辑回归模型
clf = LogisticRegression(random_state=0, solver='lbfgs')
# 在训练集上训练逻辑回归模型
clf.fit(x_train, y_train)
output:
LogisticRegression(random_state=0)
## 查看其对应的w
print('the weight of Logistic Regression:\n',clf.coef_)
## 查看其对应的w0
print('the intercept(w0) of Logistic Regression:\n',clf.intercept_)
## 由于这个是3分类,所有我们这里得到了三个逻辑回归模型的参数,其三个逻辑回归组合起来即可实现三分类。
output:
the weight of Logistic Regression: [[ 0.45181973 -0.81743611 2.14470304 0.89838607]]
the intercept(w0) of Logistic Regression: [-6.53367714]
## 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics
## 利用accuracy(准确度)【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))
## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)
# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()
output:
从上图可以看到实际标签为0的9个样本和实际标签为1的11个样本全部都与模型得到的预测标签相吻合。其准确度为1,代表所有的样本都预测正确了。
Step6:利用 逻辑回归模型 在三分类(多分类)上 进行训练和预测
接下来进行三个标签的分类(多分类)
## 测试集大小为20%, 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(iris_features, iris_target, test_size = 0.2, random_state = 2020)
## 定义 逻辑回归模型
clf = LogisticRegression(random_state=0, solver='lbfgs')
# 在训练集上训练逻辑回归模型
clf.fit(x_train, y_train)
## 查看其对应的w
print('the weight of Logistic Regression:\n',clf.coef_)
## 查看其对应的w0
print('the intercept(w0) of Logistic Regression:\n',clf.intercept_)
## 由于这个是3分类,所有我们这里得到了三个逻辑回归模型的参数,其三个逻辑回归组合起来即可实现三分类
output:
the weight of Logistic Regression:
[[-0.45928925 0.83069889 -2.2660653 -0.99743982]
[ 0.33117319 -0.72863425 -0.06841147 -0.98711029]
[ 0.12811606 -0.10206465 2.33447677 1.98455011]]
the intercept(w0) of Logistic Regression:
[ 9.43880663 3.93047365 -13.36928027]
## 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
## 由于逻辑回归模型是概率预测模型(前文介绍的 p = p(y=1|x,\theta)),所有我们可以利用 predict_proba 函数预测其概率
train_predict_proba = clf.predict_proba(x_train)
test_predict_proba = clf.predict_proba(x_test)
print('The test predict Probability of each class:\n',test_predict_proba)
## 其中第一列代表预测为0类的概率,第二列代表预测为1类的概率,第三列代表预测为2类的概率。
## 利用accuracy(准确度)【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))
output:
The test predict Probability of each class:
[[1.03461739e-05 2.33279479e-02 9.76661706e-01]
[9.69926591e-01 3.00732873e-02 1.21677005e-07]
[2.09992551e-02 8.69156615e-01 1.09844130e-01]
[3.61934875e-03 7.91979965e-01 2.04400686e-01]
[7.90943216e-03 8.00605298e-01 1.91485270e-01]
[7.30034951e-04 6.60508053e-01 3.38761912e-01]
[1.68614212e-04 1.86322046e-01 8.13509340e-01]
[1.06915330e-01 8.90815533e-01 2.26913676e-03]
[9.46928072e-01 5.30707282e-02 1.20016062e-06]
[9.62346386e-01 3.76532223e-02 3.91897306e-07]
[1.19533389e-04 1.38823469e-01 8.61056997e-01]
[8.78881877e-03 6.97207357e-01 2.94003824e-01]
[9.73938144e-01 2.60617338e-02 1.22613841e-07]
[1.78434058e-03 4.79518176e-01 5.18697483e-01]
[5.56924348e-04 2.46776840e-01 7.52666235e-01]
[9.83549842e-01 1.64500663e-02 9.13617287e-08]
[1.65201474e-02 9.54672748e-01 2.88071044e-02]
[8.99853738e-03 7.82707574e-01 2.08293888e-01]
[2.98015034e-05 5.45900073e-02 9.45380191e-01]
[9.35695862e-01 6.43039532e-02 1.85301378e-07]
[9.80621190e-01 1.93787396e-02 7.00125287e-08]
[1.68478819e-04 3.30167228e-01 6.69664293e-01]
[3.54046174e-03 4.02267803e-01 5.94191735e-01]
[9.70617285e-01 2.93824730e-02 2.42443976e-07]
[2.56895213e-04 1.54631584e-01 8.45111521e-01]
[3.48668498e-02 9.11966139e-01 5.31670115e-02]
[1.47218853e-02 6.84038112e-01 3.01240003e-01]
[9.46510474e-04 4.28641988e-01 5.70411502e-01]
[9.64848138e-01 3.51516745e-02 1.87917892e-07]
[9.70436780e-01 2.95624016e-02 8.18591638e-07]]
The accuracy of the Logistic Regression is: 0.9833333333333333
The accuracy of the Logistic Regression is: 0.8666666666666667
## 查看混淆矩阵
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)
# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()
output:
这次的准确率并不是1了,其中在标签1和标签2的样本判断上出现了错误。