python实现逻辑回归三种方法,Python中机器学习的逻辑回归,之,python,实现

PS. 逻辑回归算法原理，有很多优秀的帖子详细介绍过，这里不再赘述。

(或者后期有时间了再新写帖子专门记录原理)

目录

一、python逻辑回归简单案例

1. 加载相关库

# 基础函数库

import numpy as np

# 导入画图库

import matplotlib.pyplot as plt

import seaborn as sns

# 导入逻辑回归模型函数

from sklearn.linear_model import LogisticRegression

注：上边seaborn是python的一个强大的数据可视化库。

2. 构造数据和特征，并查看散点图

# 构造数据集

x_fearures = np.array([[-1, -2], [-2, -1], [-3, -2], [1, 3], [2, 1], [3, 2]])

print('数据：------')

print(x_fearures)

y_label = np.array([0, 0, 0, 1, 1, 1])

print('标签：------')

print(y_label)

# 查看数据散点图

plt.figure()

plt.scatter(x_fearures[:, 0], x_fearures[:, 1], c=y_label, s=50, cmap='viridis')

plt.title('Dataset')

plt.show()

输出结果和散点图如下：(从中可以看出我们构造了6个样本，每个样本2个特征，散点图对两个类数据分布也很明显)

3.训练逻辑回归模型，并查看参数

# 调用逻辑回归模型

lr_clf = LogisticRegression()

# 用逻辑回归模型拟合构造的数据集 (其拟合方程为 y = w0 + w1 * x1 + w2 * x2)

lr_clf = lr_clf.fit(x_fearures, y_label)

## 查看其对应模型的w1，w2

print('the weight of Logistic Regression:', lr_clf.coef_)

## 查看其对应模型的w0

print('the intercept(w0) of Logistic Regression:', lr_clf.intercept_)

输出结果如下：

4.构造一条可视化决策边界，来区分两个类别的数据：

# 可视化决策边界

plt.figure()

plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')

plt.title('Dataset')

nx, ny = 200, 100

# 获取feature中x轴和y轴上最小最大值

x_min, x_max = plt.xlim() # 设定坐标范围

y_min, y_max = plt.ylim()

# np.linspace：创建等差数列，np.meshgrid：网格坐标矩阵

print(np.linspace(x_min, x_max, nx)) # 区间内创建200个等差数列的数

print(' ')

x_grid, y_grid = np.meshgrid(np.linspace(x_min, x_max, nx), np.linspace(y_min, y_max, ny))

print(x_grid)

print(y_grid)

# np.c_: 添加列