Python의 로지스틱 회귀 예제-파이썬 튜토리얼-php.cn

Python은 데이터 과학 및 기계 학습 분야에서 널리 사용되는 프로그래밍 언어입니다. 로지스틱 회귀는 분류 문제의 맥락에서 예측을 할 수 있는 일반적인 기계 학습 알고리즘입니다. 이 기사에서는 Python을 사용하여 로지스틱 회귀를 구현하고 예제를 사용하여 해당 응용 프로그램을 설명합니다. ”

1. 로지스틱 회귀 소개

로지스틱 회귀는 일반적으로 분류 문제의 맥락에서 예측을 만드는 데 사용되는 일반적인 기계 학습 알고리즘으로, 데이터를 선형 방정식에 맞추는 데 기반을 둡니다. 그런 다음 결과를 [0,1]에 매핑하여 확률 값이 임계값보다 크거나 같으면 결과를 양성 클래스로 예측하고, 그렇지 않으면 음성 클래스 2로 예측합니다. 로지스틱 회귀 구현

Python에서는 NumPy, Pandas 및 Scikit-learn과 같은 라이브러리 함수를 사용하여 로지스틱 회귀를 구현할 수 있습니다. 다음은 샘플 코드입니다.

import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

# 读取数据集
data = pd.read_csv('data.csv')

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data[['feature1', 'feature2', 'feature3']], data['target'], test_size=0.3, random_state=42)

# 创建逻辑回归模型对象
logreg = LogisticRegression()

# 训练模型
logreg.fit(X_train, y_train)

# 预测测试集
y_pred = logreg.predict(X_test)

# 输出模型准确度
print('模型准确度为：', (y_pred == y_test).mean())

로그인 후 복사

3. 로지스틱 회귀의 예

이 예에서는 이진 회귀를 고려하십시오. 메타 분류 문제: 세 가지 특성 값을 기반으로 사람이 제품을 구매할 가능성이 있는지 예측합니다. 데이터 세트에는 알려진 결과가 있는 일부 샘플이 포함되어 있습니다.

데이터 세트에는 구매 의도, 구매력, 구매 습관의 세 가지 특성이 있습니다. 각 특성은 제품 구매 여부를 나타내는 이진 값입니다. 데이터 세트.

231 13102231334 12220121011203 2 411110

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv('data.csv')

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data[['feature1', 'feature2', 'feature3']], data['target'], test_size=0.3, random_state=42)

로그인 후 복사

from sklearn.linear_model import LogisticRegression

# 创建逻辑回归模型对象
logreg = LogisticRegression()

# 训练模型
logreg.fit(X_train, y_train)

로그인 후 복사

다음으로 테스트 데이터를 사용하여 모델을 예측하고 테스트 데이터에 대한 모델의 정확도를 계산합니다.

# 预测测试集
y_pred = logreg.predict(X_test)

# 输出模型准确度
print('模型准确度为：', accuracy_score(y_test, y_pred))

로그인 후 복사

위 내용은 Python의 로지스틱 회귀 예제의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!









		Scikit-learn 라이브러리를 활용하여 데이터를 Pandas 데이터 프레임으로 읽어 훈련 세트와 테스트 세트로 나눌 수 있습니다.	그런 다음, 모델의 객체를 생성하고 훈련 데이터를 사용하여 모델을 맞춥니다.
IV. 요약	이번 글에서는 로지스틱 회귀의 기본 개념을 소개하고 이를 Python을 사용하여 구현합니다. 실험 결과를 통해 로지스틱 회귀가 이진 분류 문제에 잘 맞고 예측할 수 있음을 보여줍니다. 실제 응용에서는 알고리즘을 사용하여 예측을 수행할 수 있습니다. 유사한 이진 분류 문제에 대한 결정