[Maschinelles Lernen] P7 Scikit Learn implementiert lineare Regression und logistische Regression

Scikit-Learn-Paket

In der Anaconda-Eingabeaufforderung ausführen:

conda install scikit-learn

Installieren Sie das Scikit Learn-Paket, um es abzuschließen;

Scikit Learn implementiert lineare Regression

Paket importieren Datensatz LinearRegression
importierenload_boston

from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston

Laden Sie den Hauspreisdatensatz für Boston

# 加载波士顿房价数据集
boston = load_boston()
X = boston.data
y = boston.target

LinearRegressionErstellen Sie ein lineares Regressionsmodell mitlr

# 创建一个线性回归模型
lr = LinearRegression()

Trainingsdatensatz, verwenden Sie das trainierte lineare Regressionsmodell, um Vorhersagen zu treffeny_pred

# 使用训练集对模型进行训练
lr.fit(X, y)

# 训练完成
# 预测新数据的房价
y_pred = lr.predict(X)

Grafische Darstellung der beobachteten vorhergesagten Werte (blau) im Vergleich zu den tatsächlichen Werten (grün):

import matplotlib.pyplot as plt

plt.scatter(range(X.shape[0]),y,c="green")
plt.scatter(range(X.shape[0]),y_pred,c="blue")

plt.show()

Die Anzahl der Attribute, Koeffizienten und Genauigkeit des Ausgabemodells

print("模型系数数量：", X.shape[1])
print("模型系数：", lr.coef_)
print("模型准确度为：", lr.score(X, y))

Vollständiger Code:

from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston

# 加载波士顿房价数据集
boston = load_boston()
X = boston.data
y = boston.target

# 创建一个线性回归模型
lr = LinearRegression()

# 使用训练集对模型进行训练
lr.fit(X, y)

# 训练完成
# 预测新数据的房价
y_pred = lr.predict(X)
# print(y_pred)
# print(y)

import matplotlib.pyplot as plt

plt.scatter(range(X.shape[0]),y,c="green")
plt.scatter(range(X.shape[0]),y_pred,c="blue")

plt.show()

print("模型系数：", lr.coef_)
print("模型准确度：", lr.score(X, y))

Weitere Ergänzungen:

sklearn 特征缩放

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

sklearn 计算均方误差

from sklearn.metrics import mean_squared_error

y_pred = model.predict(X_scaled)
mse = mean_squared_error(y, y_pred)
print("均方误差：", mse)

---

Scikit Learn implementiert die logistische Regression

Paket importierenLinearRegression

from sklearn.linear_model import LogisticRegression

Erstellen Sie einfache Falldaten

import numpy as np

X = np.array([[0.5, 1.5], [1,1], [1.5, 0.5], [3, 0.5], [2, 2], [1, 2.5]])
y = np.array([0, 0, 0, 1, 1, 1])

LogisticRegressionErstellen Sie ein logistisches Regressionsmodell mitlr_model

lr_model = LogisticRegression()

Trainingsdatensatz, verwenden Sie das trainierte logistische Regressionsmodell, um Vorhersagen zu treffeny_pred

# 训练数据集
lr_model.fit(X, y)

# 训练完成
# 做出预测 y_pred
y_pred = lr_model.predict(X)

Grafische Darstellung der beobachteten vorhergesagten Werte (blau) im Vergleich zu den tatsächlichen Werten (grün):

import matplotlib.pyplot as plt

plt.scatter(range(X.shape[0]),y,c="green")
plt.scatter(range(X.shape[0]),y_pred,c="blue")

plt.show()

因为数据太少，准确度达到了 100% ，蓝色预测结果把绿色实际值完全覆盖

Genauigkeit anzeigenAccuracy

print("Accuracy on training set:", lr_model.score(X, y))

---

Referenz

[1] Ng, A. (2021). Coursera – Maschinelles Lernen – Woche 3: Logistische Regression mit Scikit-Learn [Ungraded Lab]. Coursera. Abgerufen von https://www.coursera.org/learn/machine-learning/ungradedLab/F3ZpI/optional-lab-logistic-regression-with-scikit-learn/lab?path=%2Fnotebooks%2FC1_W3_Lab07_Scikit_Learn_Soln.ipynb

[2] Ng, A. (2021). Coursera – Maschinelles Lernen – Woche 2: Lineare Regression mit Scikit-Learn [Ungraded Lab]. Coursera. Abgerufen von https://www.coursera.org/learn/machine-learning/ungradedLab/uaIsm/optional-lab-linear-regression-with-scikit-learn