机器学习sklearn基础(1):多元逻辑回归分类器 (pcolormesh说明及绘图)
# -*- coding: utf-8 -*-'''
多元分类:逻辑回归分类器 并绘制pcolormesh伪彩图
sklearn.linear_model.LogisticRegression(solver='liblinear',C=正则强度)
'''
# pcolormesh(x, y, c=d, cmap='jet') cmap:渐变色映射plt.pcolormesh(...):a = np.array([1, 2, 3])b = np.array([-1, -2, -3, -4])a.shape, b.shapeOut[55]: ((3,), (4,))c = np.meshgrid(a, b); c # c is a 'list', not 'numpy.array'Out[57]: # c[0]:沿行(axis=0)广播, 每一行元素跟上一行相同[array([[1, 2, 3], # c[1]:沿列(axis=1)广播, 每一列元素跟上一列相同[1, 2, 3], # (c[0],c[1])组成的坐标点(x,y)将覆盖并形成(1<=x<=3,-4<=y<=-1)区间组成的2*3的矩形[1, 2, 3],[1, 2, 3]]), array([[-1, -1, -1],[-2, -2, -2],[-3, -3, -3],[-4, -4, -4]])]c[0].shape, c[1].shapeOut[61]: ((4, 3), (4, 3))plt.pcolormesh(c[0], c[1], c=...) # c[0]表示点横坐标,c[1]表示纵坐标对样本(c[0], c[1])周围(包括样本所在坐标)的四个坐标点进行着色,C代表着色方案# 点(c[0], c[1])所有坐标点如下:'''^|---1------2------3---->|-1 (1,-1) (2,-1) (3,-1)|-2 (1,-2) (2,-2) (3,-2)|-3 (1,-3) (2,-3) (3,-3)|-4 (1,-4) (2,-4) (3,-4)|'''
# -*- coding: utf-8 -*-
"""
Created on Tue Jul 31 16:12:18 2018@author: Administrator
"""
'''
多元分类:逻辑回归分类器
sklearn.linear_model.LogisticRegression(solver='liblinear',C=正则强度)
'''import numpy as np
import matplotlib.pyplot as plt
import sklearn.linear_model as lm# train_set
x = np.array([[4, 7],[3.5, 8],[3.1, 6.2],[0.5, 1],[1, 2],[1.2, 1.9],[4, 2],[5.7, 1.5],[5.4, 2.2]]) # 散点[x,y]
y = np.array([0, 0, 0, 1, 1, 1, 2, 2, 2]) # 多元分类 3类# 逻辑回归分类器
model = lm.LogisticRegression(solver='liblinear', C=50) # C
model.fit(x, y)plt.figure('Logistic Classification', facecolor='lightgray')
plt.title('Logistic Classification', fontsize=14)
plt.xlabel('x', fontsize=14)
plt.ylabel('y', fontsize=14)
plt.tick_params(labelsize=10)'''
pcolormesh参数设置:
'''
l, r, h = x[:, 0].min() - 1, x[:, 0].max() + 1, 0.005 # 左边界,右边界,水平方向点间距
b, t, v = x[:, 1].min() - 1, x[:, 1].max() + 1, 0.005 # 下边界,上边界,垂直方向点间距#print(np.arange(l, r, h).shape, np.arange(b, t, v).shape) # (1440,) (1800,),shape不同,不能直接作为输入,转为
grid_x = np.meshgrid(np.arange(l, r, h), np.arange(b, t, v)) # (m-array,n-array)--> list(mat(m,n), mat(m,n))print(grid_x[0]) # x[i, j] (1800, 1440) <class 'numpy.ndarray'>
print(grid_x[1]) # y[i, j] (1800, 1440) <class 'numpy.ndarray'>
#print(grid_x[1].shape) # (1800, 1440) <class 'numpy.ndarray'>
flat_x = np.c_[grid_x[0].ravel(), grid_x[1].ravel()] # 保证输入散点的坐标点横纵坐标个数一样
flat_y = model.predict(flat_x) # 输入栅格点阵坐标,模型预测输出的分类
grid_y = flat_y.reshape(grid_x[0].shape) # 分类标签:用做pcolormesh栅格着色的依据
print(grid_y)
#[[1 1 1 ... 2 2 2] # 0, 1, 2 分别代表三种不同颜色
# [1 1 1 ... 2 2 2]
# [1 1 1 ... 2 2 2]
# ...
# [0 0 0 ... 0 0 0]
# [0 0 0 ... 0 0 0]
# [0 0 0 ... 0 0 0]]# pcolormesh: 伪彩图 pcolormesh(X, Y, C)
# X,Y均为2-D array,如果为1-D 会自动广播,X和Y构成网格点阵
# X,Y对应位置元素x[i,j]和y[i,j]组成一个坐标点(x[i,j],y[i,j]),对样本周围(包括样本所在坐标)的四
#个坐标点进行着色,C代表着色方案
plt.pcolormesh(grid_x[0], grid_x[1], grid_y, cmap='gray') # gray_r 与gray的色带相反plt.scatter(x[:, 0], x[:, 1], c=y, cmap='brg', s=60) # 颜色映射
机器学习sklearn基础(1):多元逻辑回归分类器 (pcolormesh说明及绘图)相关推荐
- 机器学习学习吴恩达逻辑回归_机器学习基础:逻辑回归
机器学习学习吴恩达逻辑回归 In the previous stories, I had given an explanation of the program for implementation ...
- 《人工智能》机器学习 - 第5章 逻辑回归(四 多元逻辑回归实战)
5.4多元逻辑回归实战 5.4.1多元逻辑回归实战之预测病马的死亡率 本次实战内容,将使用Logistic回归来预测患疝气病的马的存活问题.原始数据集下载地址: http://archive.ics. ...
- 吴恩达《机器学习》学习笔记七——逻辑回归(二分类)代码
吴恩达<机器学习>学习笔记七--逻辑回归(二分类)代码 一.无正则项的逻辑回归 1.问题描述 2.导入模块 3.准备数据 4.假设函数 5.代价函数 6.梯度下降 7.拟合参数 8.用训练 ...
- sklearn专题五:逻辑回归
目录 1 概述 1.1 名为"回归"的分类器 1.2 为什么需要逻辑回归 2 linear_model.LogisticRegression 2.1 二元逻辑回归的损失函数 2.1 ...
- 逻辑回归分类器(linear_model.LogisticRegression)
文章目录 前言 逻辑回归分类器(linear_model.LogisticRegression) 1. 二元逻辑回归的损失函数 2. 重要参数penalty & C 2.1 正则化 下面建立两 ...
- 逻辑回归分类器的决策边界可视化
最近在复盘机器学习的内容,课程中最基础的例子是利用sklearn中的LogisticRegression 来进行将数据进行分类训练,并画出决策边界,这是课程中的效果图, 下面来说一下我的程序: 首先加 ...
- 机器学习算法总结--线性回归和逻辑回归
1. 线性回归 简述 在统计学中,线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析.这种函数是一个或多个称为回 ...
- 吴恩达《机器学习》学习笔记五——逻辑回归
吴恩达<机器学习>学习笔记五--逻辑回归 一. 分类(classification) 1.定义 2.阈值 二. 逻辑(logistic)回归假设函数 1.假设的表达式 2.假设表达式的意义 ...
- 机器学习实战(四)逻辑回归LR(Logistic Regression)
目录 0. 前言 1. Sigmoid 函数 2. 梯度上升与梯度下降 3. 梯度下降法(Gradient descent) 4. 梯度上升法(Gradient ascent) 5. 梯度下降/上升法 ...
- 机器学习第四章之逻辑回归模型
逻辑回归模型 4.1 逻辑回归模型算法原理 4.1.1 逻辑回归模型的数学原理(了解) 4.1.2 逻辑回归模型的代码实现(重要) 4.1.3 逻辑回归模型的深入理解 4.2 案例实战 - 股票客户流 ...
最新文章
- (转)Python rsa 签名与验证 sign and verify
- java logback 使用_Java | Logback的使用配置
- python处理excel文件-python读取excel文件
- 用华为HMS core的秘钥库文件不存在或者已经存在的解决方案
- SAP UI5 web Component的React组件,如何实现事件响应
- 牛客题霸 [二叉搜索树的第k个结点]C++题解/答案
- mybatis_user_guide(5) 动态 SQL
- Egret资源管理解决方案
- ORACLE动态SQL语句
- 银联在线php支付接口,PHP网站在线银联支付实现大额付款案例
- 【利用编程来解决问题】——解数学题
- 图文笔记,带你走进《未来简史》(11-15)
- .Net Core裁剪图片并存入数据库
- Excel批量设置数字转化成“以文本形式存储的数字
- 计算机重启遇到你的账户已被停用,win10系统提示administrator您的账户已被停用的解决方法...
- 免费范文网复制内容-百味书屋
- unity 显示 html页面,unity打开外部或本地html网页方法
- DDR3和DDR4内存有什么区别?DDR3和DDR4的区别
- 10W+字C语言硬核总结(二),值得阅读收藏!
- 2018-5-18 笔记
热门文章
- 我所完成的探索电影数据集完成报告
- 计算机组成原理2017答案,计算机组成原理答案2017(西南大学).docx
- 关闭QQ弹出的腾讯网迷你版
- 中国工科研究生200多篇英文论文中最常见的习惯(The Most Common Habits from more than 200 English Papers written by Gradua)
- 卡内基梅隆大学计算机硕士专业,2020年卡内基梅隆大学专业设置
- idea 类存在,但是报错
- matlab n次贝塞尔曲线
- Travis CI 持续集成工具 教程
- 手机TF 卡 无法读取,提示需要格式化
- 2022网络安全技术自学路线图及职业选择方向