Contoh regresi logistik dalam Python

王林
Lepaskan: 2023-06-10 09:42:20
asal
1087 orang telah melayarinya

Python ialah bahasa pengaturcaraan yang digunakan secara meluas dalam bidang sains data dan pembelajaran mesin. Regresi logistik ialah algoritma pembelajaran mesin biasa yang boleh membuat ramalan dalam konteks masalah klasifikasi. Dalam artikel ini, kami akan melaksanakan regresi logistik menggunakan Python dan menggambarkan aplikasinya menggunakan contoh. ”

1. Pengenalan regresi logistik

Regresi logistik ialah algoritma pembelajaran mesin biasa yang biasanya digunakan untuk membuat ramalan dalam konteks masalah klasifikasi ubah data Muatkan kepada persamaan linear, dan kemudian petakan hasilnya kepada [0,1] untuk mendapatkan nilai kebarangkalian Apabila nilai kebarangkalian lebih besar daripada atau sama dengan ambang, kami meramalkan hasilnya sebagai kelas positif, jika tidak, kami meramalkan. ia sebagai kelas negatif 🎜>

2. Pelaksanaan regresi logistik

Dalam Python, kami boleh menggunakan fungsi NumPy, Pandas dan Scikit dan perpustakaan lain untuk melaksanakan regresi logistik kod:

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())
Salin selepas log masuk

3. Contoh regresi logistik

Dalam contoh ini, kami mempertimbangkan masalah klasifikasi binari: meramalkan sama ada seseorang berkemungkinan membeli produk berdasarkan tiga nilai ciri set mengandungi. Dapatkan beberapa sampel dengan hasil yang diketahui Gunakan set data ini untuk melatih model kami, dan kemudian buat ramalan pada set ujian untuk melihat ketepatan model Set data mempunyai tiga ciri: niat membeli, kuasa beli. Kebiasaan. Setiap ciri ialah nilai berterusan Pembolehubah sasaran adalah binari, menunjukkan sama ada untuk membeli item tersebut:

Kita boleh menggunakan perpustakaan Scikit-learn untuk membaca data. sebagai kerangka data Pandas dan dipecahkan kepada set latihan dan ujian:

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)
Salin selepas log masuk
Feature1Feature2Feature3Target
2341
3231
1310
2231
3341
2220
1210
1120
3241
1110
Kami kemudiannya boleh mencipta objek untuk model kami dan menggunakan data latihan agar sesuai dengan model 🎜>Seterusnya, kami menggunakan data ujian untuk meramalkan model dan kira ketepatan model pada data ujian:

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)
Salin selepas log masuk

4. Ringkasan

Dalam artikel ini, kami memperkenalkan regresi logistik Konsep asas regresi logistik dilaksanakan dalam Python The experimental keputusan menunjukkan bahawa regresi logistik boleh menyesuaikan dan meramalkan masalah klasifikasi binari dengan baik Dalam aplikasi praktikal, kita boleh menggunakan algoritma regresi logistik untuk melaksanakan masalah klasifikasi binari yang sama dan membuat keputusan.

Atas ialah kandungan terperinci Contoh regresi logistik dalam Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Label berkaitan:
sumber:php.cn
Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn
Tutorial Popular
Lagi>
Muat turun terkini
Lagi>
kesan web
Kod sumber laman web
Bahan laman web
Templat hujung hadapan