1.1 Цели
Используйте scikit-learn для обучения модели модели Logit.
1.2 Набор данных
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])
1.3 Подходящая модель
Код ниже импортирует модель модели Logit из scikit-learn. Вы можете подогнать эту модель к обучающим данным, вызвав функцию подгонки.
from sklearn.linear_model import LogisticRegression
lr_model = LogisticRegression()
lr_model.fit(X, y)
выход:
Логистическая регрессия (C = 1,0, class_weight = None, dual = False, fit_intercept = True, intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1, штраф = 'l2', random_state = нет, решатель = 'liblinear', tol = 0,0001, verbose=0, warm_start=False)
1.4 Прогноз
Вы можете увидеть прогнозы, сделанные этой моделью, вызвав функцию прогнозирования.
y_pred = lr_model.predict(X)
print("Prediction on training set:", y_pred)
выход:
Прогноз на тренировочном наборе: [1 1 1 1 1 1]
1.5 Точность расчета
Вы можете рассчитать точность этой модели, вызвав функцию score.
print("Accuracy on training set:", lr_model.score(X, y))
выход:
Точность на тренировочном наборе: 0,5