python创建分类器小结

🚀 优质资源分享 🚀

学习路线指引（点击解锁）	知识定位	人群定位
🧡 Python实战微信订餐小程序 🧡	进阶级	本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。
💛Python量化交易实战💛	入门级	手把手带你打造一个易扩展、更安全、效率更高的量化交易系统

简介：分类是指利用数据的特性将其分成若干类型的过程。

监督学习分类器就是用带标记的训练数据建立一个模型，然后对未知数据进行分类。

一、简单分类器

首先，用numpy创建一些基本的数据，我们创建了8个点；

查看代码

X = np.array([[3, 1], [2, 5], [1, 8], [6, 4], [5, 2], [3, 5], [4, 7], [4, -1]])

给这8个点的数据赋予默认的分类标签

查看代码

y = [0, 1, 1, 0, 0, 1, 1, 0]
class_0 = np.array([X[i] for i in range(len(X)) if y[i] == 0])
class_1 = np.array([X[i] for i in range(len(X)) if y[i] == 1])

我们将这些数据画出来看看

查看代码

plt.figure()
# 画散点图 (scatterplot)
plt.scatter(class_0[:, 0], class_0[:, 1], color='black', marker='s')
plt.scatter(class_1[:, 0], class_1[:, 1], color='black', marker='x')
plt.show()

如果我们要对数据加以区分，怎么做呢？让我们增加一条直线，我们用数学公式y=x画出一条直线，构成我们的简单分类器；

查看代码

line_x = range(10)
line_y = line_x
plt.plot(line_x, line_y, color='black', linewidth=3)
plt.show()

二、逻辑回归分类器

逻辑回归虽然名字叫回归，但是其实是一种分类方法，常用于二分类。

逻辑回归利用Sigmoid函数做了分类转换，将结果转换成0和1两类，利用这个性质实现了分类的功能。

Sigmoid函数是一个S型的函数，当自变量z趋近正无穷时，因变量g(z)趋近于1，而当z趋近负无穷时，g(z)趋近于0，它能够将任何实数映射到(0,1)区间，使其可用于将任意值函数转换为更适合二分类的函数。

下面总结如何用python实现逻辑回归。

首先导入需要的包，包括numpy（计算），matplotlib（画图）， sklearn（建模）

查看代码

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn import datasets
from sklearn import linear_model

获取鸢尾花数据集（sklarn中自带数据集），指定特征x和目标y，查看数据的前10行

查看代码

iris = datasets.load_iris()
x = iris.data[:, :2]
y = iris.target
print('x前10行:\n', x[:10])
print('y前10行:\n', y[:10])

画图查看数据的分布情况，c=y表示使用颜色的顺序，用y中的不同个数来定义不同颜色的数量，这里y总共有3类，所以有3种不同的颜色。

查看代码

plt.figure()
plt.scatter(x[:, 0], x[:, 1], c=y)
plt.show()

初始化逻辑回归分类器，用sklearn中的LogisticRegression模型（简称LR）。其中的重要参数包括， solver 设置求解系统方程的算法类型， C表示正则化强度，值越小正则化强度越高

查看代码

clf = linear_model.LogisticRegression(solver='liblinear', C=1000)

训练分类器，直接用fit方法，传入特征x和目标y

查看代码

clf.fit(X, y)

画出数据的边界。首先定义图形的取值范围，通常是从最小值到最大值，增加了一些余量（buffer），如代码中最小值-1，最大值+1。

画边界的时候用到了网格（grid）数据求解方程的值，然后把边界画出来。

np.c_方法是按行连接两个矩阵，要求两个矩阵的行数相等。(扩展一下，同理，np.r_ 方法就是按列连接两个矩阵，要求两个矩阵的列数相等）

查看代码

x_min, x_max = min(X[:, 0]) - 1.0, max(X[:, 0]) + 1.0
y_min, y_max = min(X[:, 1]) - 1.0, max(X[:, 1]) + 1.0
print('x\_min:', x_min, 'x\_max:', x_max)
print('y\_