逻辑回归(Logistic Regression)是机器学习中的一种分类模型,逻辑回归是一种分类算法,虽然名字中带有回归。由于算法的简单和高效,在实际中应用非常广泛。
输入:一个线性回归的结果
激活函数:sigmoid函数
回归的结果输入到sigmoid函数中,输出【0,1】区间中的一个概率值,默认阈值为0.5
损失函数:对数似然损失
优化方法:使用梯度下降,减少损失函数的值。提升原本属于正样本的概率,降低原本是负样本的概率
import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression # 1.获取数据 data = pd.read_excel('./data/data.xlsx') # 2.基本数据处理 # 2.1 缺失值处理 data = data.replace(to_replace="?", value=np.NaN) data = data.dropna() # 去除数据中含有NaN的行 # 2.2 确定特征值,目标值 x = data.iloc[:, 1:10] y = data["Class"] # 2.3 分割数据 x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22) # 3.特征工程(标准化) transfer = StandardScaler() x_train = transfer.fit_transform(x_train) x_test = transfer.transform(x_test) # 4.机器学习(逻辑回归) estimator = LogisticRegression() estimator.fit(x_train, y_train) # 5.模型评估 y_predict = estimator.predict(x_test) print(y_predict) print(estimator.score(x_test, y_test))