Wu Enda Machine Learning 2022-Jupyter-логистическая регрессия с scikitlearn

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