45.模型的保存与加载

sklearn模型的保存和加载

from sklearn.externals import joblib

保存和加载API

joblib.dump(rf,"")
estimator = joblib.load("")

46.逻辑回归定义，损失函数，优化与线性回归比较

逻辑回归

逻辑回归是解决二分类问题的利器

逻辑回归输入：ℎ(w)= w0+w1x1+w2x2+…= w^Tx （单个样本）

sigmoid函数

z是线性回归的结果

47.逻辑回归预测癌症案例

sklearn逻辑回归API

sklearn.linear_model.LogisticRegression(penalty=‘l2’, C = 1.0) 正则化

Logistic回归分类器
coef_：回归系数

哪一个类别少，判定概率值是指的这个类别（正例）

import pandas as pd
from sklearn.datasets import load_boston
from sklearn.linear_model import  LinearRegression,SGDRegressor,Ridge,LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error,classification_report
import numpy as np
def logistic():#构造列标签column = ['Sample code number', 'Clump Thickness', 'Uniformity of Cell Size','Uniformity of Cell Shape','Marginal Adhesion','Single Epithelial Cell Size', 'Bare Nuclei', 'Bland Chromatin', 'Normal Nucleoli', 'Mitoses', 'Class']#读取数据data = pd.read_csv("/Users/zhucan/Desktop/breast-cancer-wisconsin.data",names = column)print(data)#缺失值进行处理data = data.replace(to_replace="?",value=np.nan)data = data.dropna()#进行数据的分割x_train,x_test,y_train,y_test = train_test_split(data[column[1:11]],data[column[10]],test_size=0.25)#进行标准化处理std = StandardScaler()x_train = std.fit_transform(x_train)x_test = std.transform(x_test)#逻辑回归预测lg = LogisticRegression()lg.fit(x_train,y_train)y_predict = lg.predict(x_test)print(lg.coef_)print("准确率:",lg.score(x_test,y_test))print("召回率:",classification_report(y_test,y_predict,labels=[2,4]))return Noneif __name__ == "__main__":logistic()

[[0.57568161 0.27870827 0.3758946  0.34161897 0.26651849 0.637789890.37634213 0.28674634 0.24737593 3.22984025]]
准确率: 1.0
召回率:               precision    recall  f1-score   support2       1.00      1.00      1.00       1104       1.00      1.00      1.00        61accuracy                           1.00       171macro avg       1.00      1.00      1.00       171
weighted avg       1.00      1.00      1.00       171

48.逻辑回归总结

逻辑回归总结

应用：广告点击率预测、电商购物搭配推荐
优点：适合需要得到一个分类概率的场景
缺点：当特征空间很大时，逻辑回归的性能不是很好（看硬件能力）

机器学习算法基础——逻辑回归相关推荐

机器学习算法 03 —— 逻辑回归算法(精确率和召回率、ROC曲线和AUC指标、过采样和欠采样)
文章目录系列文章逻辑回归 1 逻辑回归介绍 1.1 逻辑回归原理输入激活函数 1.2 损失以及优化 2 逻辑回归API介绍 3 案例:肿瘤良性恶性预测 4 分类模型的评估 4.1 分类评估方法 ...
机器学习算法之逻辑回归（LR）
1.前言说起机器学习,就不得不说说逻辑回归,它是区别于另一个基础算法:线性回归:对于回归(比如线性回归Linear Regression)可以理解为连续的值(类似模拟量),分类(比如逻辑回归Logi ...
数学推导+纯Python实现机器学习算法：逻辑回归
2019独角兽企业重金招聘Python工程师标准>>> 自本系列第一讲推出以来,得到了不少同学的反响和赞成,也有同学留言说最好能把数学推导部分写的详细点,笔者只能说尽力,因为打公式实 ...
【机器学习算法】逻辑回归为什么叫逻辑回归
文章目录逻辑回归以及为什么叫逻辑回归从sigmoid函数引出逻辑回归的统计学模型:伯努利分布线性回归模型的通式:广义线性模型指数族分布逻辑回归以及为什么叫逻辑回归逻辑回归虽然名字里有回归 ...
python机器学习手写算法系列——逻辑回归
从机器学习到逻辑回归今天,我们只关注机器学习到线性回归这条线上的概念.别的以后再说.为了让大家听懂,我这次也不查维基百科了,直接按照自己的理解用大白话说,可能不是很严谨. 机器学习就是机器可以自己学 ...
机器学习笔记-基于逻辑回归的分类预测
天池学习笔记:AI训练营机器学习-阿里云天池基于逻辑回归的分类预测 1 逻辑回归的介绍和应用 1.1 逻辑回归的介绍逻辑回归(Logistic regression,简称LR)虽然其中带有&quo ...
推荐算法之逻辑回归模型族
目录 1.协同过滤算法族的不足 2.逻辑回归算法 3.Poly2算法 4.FM算法 5.FFM 1.协同过滤算法族的不足之前的协同过滤算法族局限在于,它仅仅关注用户与物品的交互信息(受限于共现矩阵) ...
朴素贝叶斯算法和逻辑回归算法的区别？
朴素贝叶斯算法和逻辑回归算法的区别? 1.两种算法的模型不同: Naive Bayes是一个生成模型,在计算P(y|x)之前,先要从训练数据中计算P(x|y)和P(y)的概率,从而利用贝叶斯公式计算P ...
sklearn分类器算法：逻辑回归及案例分析
分类算法之逻辑回归逻辑回归(Logistic Regression),简称LR.它的特点是能够是我们的特征输入集合转化为0和1这两类的概率.一般来说,回归不用在分类问题上,因为回归是连续型模型,而且 ...

机器学习算法基础——逻辑回归

45.模型的保存与加载

sklearn模型的保存和加载

保存和加载API

46.逻辑回归定义，损失函数，优化与线性回归比较

逻辑回归

sigmoid函数

47.逻辑回归预测癌症案例

sklearn逻辑回归API

48.逻辑回归总结

逻辑回归总结

机器学习算法基础——逻辑回归相关推荐

最新文章

热门文章