1 二分类

import numpy as np
from sklearn import datasets
# 加载 sklearn 自带数据
iris = datasets.load_iris()
# 取单一特征
X = iris["data"][:, 3:]  # petal width
# 将target变为两类, 标签为 2 的设置为 1,其它为0
y = (iris["target"] == 2).astype(np.int)  # 引入逻辑回归
from sklearn.linear_model import LogisticRegression
log_reg = LogisticRegression(solver="lbfgs", random_state=42)
log_reg.fit(X, y)# 预测输入
X_new = np.linspace(0, 3, 10).reshape(-1, 1)# 输出分类概率，每一个输入输出k个值，表示每一类概率
y_proba = log_reg.predict_proba(X_new)
print(y_proba )
>>>[[9.99250016e-01 7.49984089e-04][9.96828414e-01 3.17158633e-03][9.86691904e-01 1.33080964e-02][9.45916426e-01 5.40835739e-02][8.04908853e-01 1.95091147e-01][4.93225575e-01 5.06774425e-01][1.86720667e-01 8.13279333e-01][5.13769237e-02 9.48623076e-01][1.26148692e-02 9.87385131e-01][3.00476842e-03 9.96995232e-01]]# 预测分类结果
y = log_reg.predict(X_new)
>>>[0 0 0 0 0 1 1 1 1 1]

2 多分类

import numpy as np
from sklearn.linear_model import LogisticRegression
# 加载 sklearn 自带数据
iris = datasets.load_iris()
# 取两个特征 petal length, petal width
X = iris["data"][:, (2, 3)]
y = iris["target"]softmax_reg = LogisticRegression(multi_class="multinomial",solver="lbfgs", C=10, random_state=42)
softmax_reg.fit(X, y)x0, x1 = np.meshgrid(np.linspace(0, 8, 3).reshape(-1, 1),np.linspace(0, 3.5, 3).reshape(-1, 1))
X_new = np.c_[x0.ravel(), x1.ravel()]y_proba = softmax_reg.predict_proba(X_new)print(y_proba)
>>>[[9.99996239e-01 3.76140758e-06 6.80030712e-20][1.50628731e-03 9.98493250e-01 4.62599964e-07][6.64988192e-13 7.76848864e-02 9.22315114e-01][9.99995653e-01 4.34707831e-06 7.58462461e-15][1.24789116e-03 9.56007603e-01 4.27445060e-02][6.46440282e-18 8.72767038e-07 9.99999127e-01][9.99994975e-01 5.02394057e-06 8.45940105e-10][2.61691633e-07 2.31697741e-04 9.99768041e-01][5.79592787e-23 9.04357657e-12 1.00000000e+00]]
y_predict = softmax_reg.predict(X_new)print(y_predict)
>>>[0 1 2 0 1 2 0 2 2]

参考:Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition

scikit-learn 中逻辑斯蒂回归的使用相关推荐

一文“妙”解逻辑斯蒂回归（LR）算法
一.前言在感知器算法中,如下图如果我们使用一个f(z)=z函数,作为激励函数,那么该模型即为线性回归.而在逻辑斯蒂回归中,我们将会采用f(z)=sigmoid(z) 函数作为激励函数,所以它被称为 ...
用二项逻辑斯蒂回归解决二分类问题
逻辑斯蒂回归: 逻辑斯蒂回归是统计学习中的经典分类方法,属于对数线性模型.logistic回归的因变量可以是二分类的, 也可以是多分类的基本原理 logistic 分布折X是连续的随机变量,X服从 ...
机器学习第八篇：详解逻辑斯蒂回归算法
01|基本概念: 在介绍逻辑回归模型以前,先介绍一下逻辑斯谛分布. 设X是连续型随机变量,X服从逻辑斯蒂分布是指X具有下列分布函数F(x)和密度函数f(x): 逻辑斯谛分布的分布函数F(x)的曲线如图 ...
逻辑斯蒂回归_逻辑斯蒂回归详细解析 | 统计学习方法学习笔记 | 数据分析 | 机器学习...
本文包括: 重要概念逻辑斯蒂回归和线性回归二项逻辑斯谛回归模型逻辑斯蒂回顾与几率模型参数估计多项逻辑斯谛回归其它有关数据分析,机器学习的文章及社群 1.重要概念: 在正式介绍逻辑斯蒂回归模 ...
【机器学习】逻辑斯蒂回归原理
逻辑斯蒂函数引入: 在线性感知器算法中,我们使用了一个f(x)=x函数,作为激励函数,而在逻辑斯蒂回归中,我们将会采用sigmoid函数作为激励函数,所以它被称为sigmoid回归也叫对数几率回归( ...
【机器学习】逻辑斯蒂回归概率计算和手动计算对比
二分类,逻辑斯蒂回归概率计算 import numpy as np from sklearn import datasets from sklearn.linear_model import Logi ...
最大熵阈值python_第六章-逻辑斯蒂回归和最大熵模型
逻辑斯谛回归是统计学习中的经典分类方法,和最大熵模型相比,具有以下的共同点和区别:共同点都属于概率模型,该模型要寻找的是给定一个x,得到输出变量Y的概率分布P(Y|x),如果是二分类,Y取值为0或1, ...
学习笔记——逻辑斯蒂回归与最大熵模型
逻辑斯蒂回归(logistic regression)是统计学习中的经典分类方法.最大熵是概率模型学习的一个准则,将其推广到分类问题得到最大熵模型(maximum entropy).都属于对数线性模型 ...
逻辑斯蒂回归java_机器学习（五）逻辑斯蒂回归
一.概念逻辑斯蒂回归(logistic regression)是统计学习中的经典分类方法,属于对数线性模型.logistic回归的因变量可以是二分类的,也可以是多分类的.logistic回归的因变量 ...

scikit-learn 中逻辑斯蒂回归的使用

scikit-learn 中逻辑斯蒂回归的使用

1 二分类

2 多分类

scikit-learn 中逻辑斯蒂回归的使用相关推荐

最新文章

热门文章