学完线性回归，逻辑回归建模+评估模型的过程就相对好理解很多。其实就是换汤不换药。

逻辑回归不是回归算法，而是分类算法，准确来说，叫逻辑分类

逻辑分类本质上是二分分类，即分类结果标签只有两个

逻辑回归建模-评估模型的过程

如何建立有序的二维数据结构

1.字典是无序的，所以引入一个OrderedDict来让顺序变成有序

2.数据集转成Pandas的二维数据结构进行处理

如何实现逻辑回归

1.提取出特征和标签

提取出某一列：loc (根据索引进行提取)

2.建立训练数据和测试数据

从样本中随机的按比例选取训练数据(train)和测试数据(test)：

使用交叉验证(sklearn.model_selection)中的train_test_split

train_test_split三个参数：

第一个参数：所要划分的样本特征

第二个参数：所要划分的标签特征

第三个参数：train_size= (<0的小数：训练数据的占比 >0的整数:样本的数量)

x_train , x_test , y_train , y_test 各分配到一定比例的数据

3.使用训练数据训练模型

注意：sklearn要求输入的特征必须是二维数组的类型，但是因为我们目前只有1个特征，所以需要用安装错误提示用reshape转行成二维数组的类型

导入逻辑回归：使用sklearn.linear_model中的LogisticRegression

用LogisticRegression创建训练模型：model = LogisticRegression()

训练模型：用的是fit函数

model.fit(x_train , y_train)

4.使用测试数据进行模型评估

评估模型准确度 准确率 ：score函数

model.score(x_test,y_test)

5.进一步理解什么是逻辑函数

预测数据的结果用predict: model.predict([[3]])

得出的结果要么0要么1

1)用predict_probe获取概率值

model.predict_proba([[3]])

输出结果第1个值是标签为0的概率值，第2个值是标签为1的概率值

2)用逻辑回归函数获取概率值

逻辑回归函数 第一步要得到z值

z=a+bx

a:截距 a=model.intercept_

b:回归系数 b=model.coef_

将z值带入逻辑回归函数中，得到概率值

y_pred=1/(1+np.exp(-z))

e:通过Numpy中的exp函数求得

逻辑回归代码

#建立有序的二维数据结构

import pandas as pd

from collections import OrderedDict

examDict={

'学习时间':[0.50,0.75,1.00,1.25,1.50,1.75,1.75,2.00,2.25,2.50,

2.75,3.00,3.25,3.50,4.00,4.25,4.50,4.75,5.00,5.50],

'通过考试':[0,0,0,0,0,0,1,0,1,0,1,0,1,0,1,1,1,1,1,1]

}

examOrder=OrderedDict(examDict)

examDf=pd.DataFrame(examOrder)

examDf.head()

#1.提取出特征和标签

x_exam=examDf.loc[:,'学习时间']

y_exam=examDf.loc[:,'通过考试']

#2.建立训练数据和测试数据

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test=train_test_split(x_exam, y_exam, train_size=0.8)

print(x_exam.shape)

print(y_exam.shape)

print(x_train.shape)

print(x_test.shape)

print(y_train.shape)

print(y_test.shape)

#绘制测试数据和训练数据的散点图

import matplotlib.pyplot as plt

plt.scatter(x_train, y_train, color="blue", label="train data")

plt.scatter(x_test, y_test, color="red", label="test data")

plt.legend(loc=2)

plt.xlabel("Hours")

plt.ylabel("Pass")

plt.show()

#3.使用训练数据训练模型

x_train=x_train.reshape(-1,1)

y_train=y_train.reshape(-1,1)

from sklearn.linear_model import LogisticRegression

model=LogisticRegression()

model.fit(x_train, y_train)

#4.使用测试数据进行模型评估

x_test=x_test.reshape(-1,1)

y_test=y_test.reshape(-1,1)

model.score(x_test,y_test)

#5.计算模型的准确率

model.score(x_test,y_test)

#预测最终结果是通过还是不通过

model.predict([[3]])

#用predict_proba求出通过的概率值=算出z带入逻辑回归函数求出的概率值

#计算概率值得方法1

model.predict_proba([[3]])

#计算概率值得方法2

x=3

a=model.intercept_

b=model.coef_

z=a+b*x

#将z带入逻辑回归函数中，算出通过的概率值

import numpy as np

y_pred=1/(1+np.exp(-z))

y_pred