from sklearn.linear_model import LogisticRegression
model=LogisticRegression()
4. Formación de modelos
Entrenamiento del modelo de regresión lineal sklearn.linear_model.LogisticRegression.fit
Parámetros utilizados: —X: función de entrada, si la entrada está en formato np.array, la forma debe ser (n_sample, n_feature). -Y: Ingrese la etiqueta.
Modelo de predicción de regresión lineal: sklearn.linear_model.LogisticRegression.predict
Parámetros utilizados: —X: función de entrada, si la entrada está en formato np.array, la forma debe ser (n_sample, n_feature). -C: Resultado de la previsión.
función scipy.special.expit, también conocida como función sigmoidea logística, definición: expit (x) = 1 / (1 + ex)
Parámetros: -x: la entrada de la función sigmoidea, el requisito de entrada es el formato de matriz np.array. --Out: La salida de la función sigmoidea, devuelta en el formato de np.array, con la misma forma que la entrada x.