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())
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)
Feature1 | Feature2 | Feature3 | Target |
---|---|---|---|
2 | 3 | 4 | 1 |
3 | 2 | 3 | 1 |
1 | 3 | 1 | 0 |
2 | 2 | 3 | 1 |
3 | 3 | 4 | 1 |
2 | 2 | 2 | 0 |
1 | 2 | 1 | 0 |
1 | 1 | 2 | 0 |
3 | 2 | 4 | 1 |
1 | 1 | 1 | 0 |
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)
Atas ialah kandungan terperinci Contoh regresi logistik dalam Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!