达观杯_构建模型(二)逻辑回归
特征:tfidf(word+article)
"""
1.特征:tfidf(word+article)
2.模型:lr
3.参数:C=120
"""import pandas as pd
import pickle
from sklearn.linear_model import LogisticRegressionwith open('tfidf(word+article).pkl', 'rb') as f:x_train, y_train, x_test = pickle.load(f)clf = LogisticRegression(C=120, dual=False)
clf.fit(x_train, y_train)#返回预测标签
y_test = clf.predict(x_test)
y_test_prob = clf.predict_proba(x_test)#标签预测结果存储
y_test = [i+1 for i in y_test_list.tolist()]
y_test_prob = y_test_prob_LR.tolist()df_result = pd.DataFrame({'id':range(102277), 'class': y_test})
df_proba = pd.DataFrame({'id':range(102277), 'prob': y_test_prob})df_result.to_csv('lr(C=120)_tfidf(word+article).csv',index=False)
df_proba.to_csv('lr(C=120)_tfidf(word+article)_proba.csv',index=False)
特征:linearsvm-tfidf(word)+lr-tfidf(article)
"""
1.特征:linearsvm-tfidf(word)+lr-tfidf(article)
2.模型:lr
3.参数:C=120
"""import pandas as pd
import pickle
from sklearn.linear_model import LogisticRegressionwith open('linearSVM-tfidf(word)+lr-tfidf(article).pkl', 'rb') as f:x_train, y_train, x_test = pickle.load(f)clf = LogisticRegression(C=120, dual=False)
clf.fit(x_train, y_train)#返回预测标签
y_test = clf.predict(x_test)
y_test_prob = clf.predict_proba(x_test)#标签预测结果存储
y_test = [i+1 for i in y_test_list.tolist()]
y_test_prob = y_test_prob_LR.tolist()df_result = pd.DataFrame({'id':range(102277), 'class': y_test})
df_proba = pd.DataFrame({'id':range(102277), 'prob': y_test_prob})df_result.to_csv('LR_linearSVM-tfidf(word)+lr-tfidf(article).csv',index=False)
df_proba.to_csv('LR_linearSVM-tfidf(word)+lr-tfidf(article).csv',index=False)
达观杯_构建模型(二)逻辑回归相关推荐
- 达观杯_构建模型(四)贝叶斯
""" 1.特征:linearsvm-tfidf(word)+lr-tfidf(article) / doc2vec_word 2.模型:bayes"" ...
- 达观杯_构建模型(一)linearSVM
特征:tfidf(word)+tfidf(article) """ 1.特征:tfidf(word)+tfidf(article) 2.模型:linearsvm 3.参数 ...
- 达观杯_构建模型(三)lightGBM
countvector(a)+doc(a)+hash(a) """ 1.特征:countvector(a)+doc(a)+hash(a) 2.模型:lgb "& ...
- 入门篇(二)模型:逻辑回归(一步步从原理到实现)
<老饼讲解机器学习>专注于机器学习的学习网站http://ml.bbbdata.com/teach#187 目录 一.问题 二.逻辑回归的思想 三.模型表达式 四.损失函数 (一) 单个 ...
- R语言分类模型:逻辑回归模型LR、决策树DT、推理决策树CDT、随机森林RF、支持向量机SVM、Rattle可视化界面数据挖掘、分类模型评估指标(准确度、敏感度、特异度、PPV、NPV)
R语言分类模型:逻辑回归模型LR.决策树DT.推理决策树CDT.随机森林RF.支持向量机SVM.Rattle可视化界面数据挖掘.分类模型评估指标(准确度.敏感度.特异度.PPV.NPV) 目录
- logisticregression参数_通俗地说逻辑回归【Logistic regression】算法(二)sklearn逻辑回归实战...
前情提要: 通俗地说逻辑回归[Logistic regression]算法(一) 逻辑回归模型原理介绍 上一篇主要介绍了逻辑回归中,相对理论化的知识,这次主要是对上篇做一点点补充,以及介绍sklear ...
- l2的最优回归_【机器学习】逻辑回归(非常详细)
逻辑回归是一个非常经典的算法,其中也包含了非常多的细节,曾看到一句话:如果面试官问你熟悉哪个机器学习模型,可以说 SVM,但千万别说 LR,因为细节真的太多了. 秉持着精益求精的工匠精神不断对笔记进行 ...
- 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 ...
- 吴恩达机器学习作业二——逻辑回归
有了作业一的铺垫,作业二的代码更容易理解了. 逻辑回归 题目描述:在训练的初始阶段,我们将要构建一个逻辑回归模型来预测,某个学生是否被大学录取.设想你是大学相关部分的管理者,想通过申请学生两次测试的评 ...
最新文章
- CNN架构复现实战 | 附视频和github项目
- 微软公布19财年财报:净利润增长22%,云计算首超个人计算业务
- Websocket总结
- Python编程专属骚技巧1
- javafx2_JavaFX 2 GameTutorial第4部分
- 遍历窗体中所有控件的信息
- C++:C++中public protected private关键字用法
- oracle11gr2配置监听,Windows环境配置Oracle 11gR2 Listener
- python自编一个循环计算题_Python练习:循环
- This License XXX has been cancelled
- react native swiper ios 图片顺序 问题 解决
- 中职计算机基础辅导书,中职计算机基础 (938)(16页)-原创力文档
- 【原创】自制操作系统知识储备(一)---流程篇
- 【前端小实战】页面文字搜索功能
- 富贵不压重发_俗语“贵人不顶重发”,重发是啥意思?为什么这样说?
- 英语不好怎么快乐的码代码! 快来跟我一起学英语吧
- php 情人节语句,告辞情话最暖心短句向男生 情人节表明语录
- Erlang安装 /开启关闭 /配置开发环境 /运行程序
- GAN(对抗生成网络)原理及数学推导
- NPort5410 NP5410 4-Port RS232串口设备联网服务器