Contoh regresi logistik dalam Python

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())

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)

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

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)

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!