Wu Enda Machine Learning 2022-Jupyter-Regresión logística con scikitlearn

1.1 Metas

Use scikit-learn para entrenar un modelo de modelo Logit.

1.2 Conjunto de datos

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 Modelo de ajuste

El siguiente código importa el modelo Logit de scikit-learn. Puede ajustar este modelo a los datos de entrenamiento llamando a la función de ajuste.

from sklearn.linear_model import LogisticRegression

lr_model = LogisticRegression()
lr_model.fit(X, y)

producción:

LogisticRegression(C=1.0, class_weight=Ninguno, dual=Falso, fit_intercept=True, 
          intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1, 
          penalización='l2', random_state=Ninguno, solver='liblinear', tol=0.0001, 
          detallado=0, warm_start=False)

1.4 Predicción

Puede ver las predicciones realizadas por este modelo llamando a la función de predicción.

y_pred = lr_model.predict(X)

print("Prediction on training set:", y_pred)

producción:

Predicción en el conjunto de entrenamiento: [1 1 1 1 1 1]

1.5 Precisión de cálculo

Puede calcular la precisión de este modelo llamando a la función de puntuación.

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

producción:

Precisión en el conjunto de entrenamiento: 0.5