版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/mr_muli/article/details/84330015
- 机器学习之LogisticRegression逻辑回归
# -*- coding: utf-8 -*-
"""
Created on Wed Nov 21 20:31:59 2018
@author: muli
"""
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model,cross_validation
def load_data():
'''
加载用于分类问题的数据集
return: 一个元组,用于分类问题。
元组元素依次为:训练样本集、测试样本集、训练样本集对应的标记、测试样本集对应的标记
'''
iris=datasets.load_iris() # 使用 scikit-learn 自带的 iris 数据集
X_train=iris.data
y_train=iris.target
# 分层采样拆分成训练集和测试集,测试集大小为原始数据集大小的 1/4
return cross_validation.train_test_split(X_train, y_train,test_size=0.25,
random_state=0,stratify=y_train)
def test_LogisticRegression(*data):
'''
测试 LogisticRegression 的用法
:param data: 可变参数。它是一个元组,这里要求其元素依次为:训练样本集、测试样本集、训练样本的标记、测试样本的标记
:return: None
'''
X_train,X_test,y_train,y_test=data
regr = linear_model.LogisticRegression()
# 模型训练
regr.fit(X_train, y_train)
# 返回 W值 和 b值
print('Coefficients:%s, intercept %s'%(regr.coef_,regr.intercept_))
# 返回预测的准确率
print('Score: %.2f' % regr.score(X_test, y_test))
def test_LogisticRegression_multinomial(*data):
'''
测试 LogisticRegression 的预测性能随 multi_class 参数的影响
param data: 可变参数。
它是一个元组,这里要求其元素依次为:训练样本集、测试样本集、训练样本的标记、测试样本的标记
return: None
'''
X_train,X_test,y_train,y_test=data
regr = linear_model.LogisticRegression(multi_class='multinomial',solver='lbfgs')
regr.fit(X_train, y_train)
print('Coefficients:%s, intercept %s'%(regr.coef_,regr.intercept_))
print('Score: %.2f' % regr.score(X_test, y_test))
def test_LogisticRegression_C(*data):
'''
测试 LogisticRegression 的预测性能随 C 参数的影响
param data: 可变参数。
它是一个元组,这里要求其元素依次为:训练样本集、测试样本集、训练样本的标记、测试样本的标记
return: None
'''
X_train,X_test,y_train,y_test=data
Cs=np.logspace(-2,4,num=100)
scores=[]
for C in Cs:
regr = linear_model.LogisticRegression(C=C)
regr.fit(X_train, y_train)
scores.append(regr.score(X_test, y_test))
## 绘图
fig=plt.figure()
ax=fig.add_subplot(1,1,1)
ax.plot(Cs,scores)
ax.set_xlabel(r"C")
ax.set_ylabel(r"score")
ax.set_xscale('log')
ax.set_title("LogisticRegression")
plt.show()
if __name__=='__main__':
# 加载用于分类的数据集
X_train,X_test,y_train,y_test=load_data()
# 查看原有的信息形式
# print(X_train)
# print("-------------")
# print(y_train)
# 调用 test_LogisticRegression
# test_LogisticRegression(X_train,X_test,y_train,y_test)
# 调用 test_LogisticRegression_multinomial
# test_LogisticRegression_multinomial(X_train,X_test,y_train,y_test)
# 调用 test_LogisticRegression_C
test_LogisticRegression_C(X_train,X_test,y_train,y_test)