逻辑回归

本文深入探讨了逻辑回归算法,基于《机器学习实战》和sklearn库进行了实践,介绍了如何使用sklearn实现逻辑回归并得到预测结果。
摘要由CSDN通过智能技术生成

学习了机器学习实战和skicit learn上的的逻辑回归算法

logistic.py

'''
Created on 2018年7月28日

@author: hcl
'''
import numpy as np
import time


def loadDataSet():
    dataMat = []; labelMat = []
    fr = open('testSet.txt')
    for line in fr.readlines():
        lineArr = line.strip().split()
        #为方便计算将x0设为1.0
        dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
        labelMat.append(int(lineArr[2]))
    return dataMat,labelMat

def sigmoid(inX):
    return 1.0/(1+np.exp(-inX))

def gradAscent(dataMatIn, classLabels):
    '''
    梯度上升算法
    dataMatIn:2维NumPy数组 (100x3)
    classLabels:类标签 (1x100)
    '''
    #将输入转换为NumPy矩阵的数据类型
    dataMatrix = np.mat(dataMatIn)
    labelMat = np.mat(classLabels).transpose() 
    m,n = dataMatrix.shape
    #向目标移动的步长
    alpha = 0.001
    #迭代次数
    maxCycles = 500
    weights = np.ones((n,1
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要使用scikit-learn进行逻辑回归的训练,可以按照以下步骤进行操作: 1. 导入所需的库和模块:首先需要导入scikit-learn库中的逻辑回归模块。可以使用以下代码导入: ```python from sklearn.linear_model import LogisticRegression ``` 2. 准备数据集:接下来,需要准备用于训练的数据集。将数据集拆分为特征矩阵X和目标变量y。确保数据集已经经过预处理和特征工程。 3. 创建逻辑回归模型对象:使用LogisticRegression()函数创建一个逻辑回归模型对象。可以根据需要设置模型的参数,比如正则化参数C、求解器solver等。 4. 训练模型:使用fit()函数将数据集(X, y)传入模型对象,进行模型的训练。该函数将自动拟合逻辑回归模型,并根据提供的数据进行参数估计。 5. 进行预测:训练完成后,可以使用训练好的模型进行预测。使用predict()函数,将测试集或新样本的特征矩阵X传入模型对象,得到预测结果。 下面是一个示例代码,展示了如何使用scikit-learn进行逻辑回归的训练和预测: ```python from sklearn.linear_model import LogisticRegression # 准备数据集 X_train = ... y_train = ... X_test = ... # 创建逻辑回归模型对象 model = LogisticRegression() # 训练模型 model.fit(X_train, y_train) # 进行预测 y_pred = model.predict(X_test) ``` 这样,你就可以使用scikit-learn的逻辑回归模块进行训练和预测了。请注意,在实际应用中,还需要进行模型评估、参数调优等步骤来提高模型性能。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [机器学习之PyTorch和Scikit-Learn第3章 使用Scikit-Learn的机器学习分类器之旅Part 1](https://blog.csdn.net/ardor123/article/details/130378951)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值