简介

Sklearn (全称 Scikit-Learn) 是基于 Python 语言的机器学习工具。它建立在 NumPy, SciPy, Pandas 和 Matplotlib 之上，里面的 API 的设计非常好，所有对象的接口简单，很适合新手上路。
LogisticRegression是Sklearn线性回归模型的接口，函数原型、引用和调用的方法如下：
函数原型

sklearn.linear_model.LogisticRegression(penalty='l2', *, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='lbfgs', max_iter=100, multi_class='auto', verbose=0, warm_start=False, n_jobs=None, l1_ratio=None)

引用：

from sklearn.linear_model import LogisticRegression

调用示例

# 定义线性回归模型
model = LogisticRegression(max_iter=500)

函数参数

大部分参数使用默认即可，典型参数解释如下。

penalty：正则化参数，三种取值：{‘l1’, ‘l2’, ‘elasticnet’, ‘none’}, default=’l2’
C：正则强度的倒数；必须为正浮点数。与支持向量机一样，较小的值指定更强的正则化。
class_weight：样本权重，可以是一个字典或者’balanced’字符串，默认为None。对于二分类模型，可以这样指定权重：class_weight={0:0.9,1:0.1}，当class_weight=‘balanced’，那么类库会根据训练样本量来计算权重。某种类型样本量越多，则权重越低，样本量越少，则权重越高。
solver：优化算法选择参数，五种取值：newton-cg,lbfgs,liblinear,sag,saga。default = liblinear。
liblinear适用于小数据集，而sag和saga适用于大数据集因为速度更快。如果是L2正则化，那么4种可选的算法{‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’}都可以选择。但是如果penalty是L1正则化的话，就只能选择‘liblinear’了。
max_iter：算法收敛的最大迭代次数，即求取损失函数最小值的迭代次数，默认是100。

函数接口

fit(X, y, sample_weight=None)：拟合模型，用来训练LR分类器，其中X是训练样本，y是对应的标记向量
predict(X)：用来预测样本，也就是分类，X是测试集。返回array。
score(X, y, sample_weight=None) ：返回给定测试集合的平均准确率（mean accuracy），浮点型数值。对于多个分类返回，则返回每个类别的准确率组成的哈希矩阵。R^2评估模型

代码示例

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
# 拆分数据集
# x、y分别为原始数据、目标数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 定义模型
model = LogisticRegression(max_iter=500)
# 训练模型
model.fit(X_train, y_train)
# 评估模型
train_score = model.score(X_train, y_train)
test_score = model.score(X_test, y_test)# 预测
pred = model.predict(x)

Sklearn学习笔记，LogisticRegression的用法详解相关推荐

【学习笔记】线段树详解（全）
[学习笔记]线段树详解(全) 和三个同学一起搞了接近两个月的线段树,头都要炸了T_T,趁心态尚未凉之前赶快把东西记下来... [目录] [基础]作者:\((Silent\)_\(EAG)\) [懒标记 ...
[原创]Saltstack学习笔记：命令参数详解以及配置文件说明
很久没有更新saltstack的文章了,今天还是来更新一点,又开始对saltstack复习了一下. 前边写了一点<saltstack入门概述(1)>以及<Saltstack如何安装( ...
Laravel学习笔记汇总——Collection方法详解
## Laravel学习笔记汇总--Collection方法详解本文参考:https:// laravel.com/docs/8.x/collections // 返回整个底层的数组 collect ...
java 检查bytebuf长度_Java学习笔记16-Netty缓冲区ByteBuf详解
Java学习笔记16-Netty缓冲区ByteBuf详解 Netty自己的ByteBuf ByteBuf是为解决ByteBuffer的问题和满足网络应用程序开发人员的日常需求而设计的. JDK Byt ...
spring学习笔记03-spring-DI-依赖注入详解（通过xml配置文件来配置依赖注入）
spring学习笔记03-spring-DI-依赖注入详解 1.概念 2.构造函数注入 3.set方法注入 4.集合的注入需要被注入的实体对象 package com.itheima.service ...
Android学习笔记——Android 签名机制详解
Android 签名机制详解近期由于工作需要在学习 Android 的签名机制,因为没有现成资料,只能通过开发者文档和阅读博客的方式对 Android 签名机制进行大致了解.过程中查阅到的资料相对零 ...
[学习笔记] 伸展树splay详解+全套模板+例题[Luogu P3369 【模板】普通平衡树]
文章目录引入概念全套模板变量声明 update ==rotate旋转== splay操作 insert插入 delete删除查找x的位置查找第k大前驱/后继极小值-inf和极大值inf的 ...
Mr.J-- jQuery学习笔记(十)--trigger方法详解
看本篇文章之前建议先看这篇:Mr.J-- jQuery学习笔记(九)--事件绑定&移除&冒泡也可以看我的专栏:Mr.J--jQuery学习定义和用法 trigger() 方法触发被 ...
Linux学习笔记003----linux yum命令详解
yum(全称为 Yellow dog Updater, Modified)是一个在Fedora和RedHat以及SUSE中的Shell前端软件包管理器.基於RPM包管理,能够从指定的服务器自动下载RP ...

Sklearn学习笔记，LogisticRegression的用法详解

简介

函数参数

函数接口

代码示例

Sklearn学习笔记，LogisticRegression的用法详解相关推荐

最新文章

热门文章