前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >机器学习-Logistic回归(Logistic Regression)案例

机器学习-Logistic回归(Logistic Regression)案例

作者头像
XXXX-user
发布2019-09-17 16:37:27
3.6K0
发布2019-09-17 16:37:27
举报
文章被收录于专栏:不仅仅是python

微信公众号:yale记 关注可了解更多的教程问题或建议,请公众号留言。

背景介绍

不要被它的名字弄糊涂!它是一种分类而非回归算法。它用于根据给定的自变量集估计离散值(二进制值,如0/1,yes/no,true/false)。简单来说,它通过将数据拟合到logit函数来预测事件发生的概率。因此,它也被称为logit回归。由于它预测概率,因此其输出值介于0和1之间(如预期的那样)。

再次,让我们通过一个简单的例子来尝试理解这一点。

假设你的朋友给你一个难题来解决。只有2个结果场景 - 要么你解决它,要么你没解决。现在想象一下,你正在获得各种各样的谜题/测验,试图了解你擅长哪些科目。这项研究的结果将是这样的 - 如果给你一个基于三角测量的十年级问题,你有70%的可能解决它。另一方面,如果是第五级历史问题,获得答案的概率仅为30%。这就是Logistic回归为您提供的。

在数学领域,结果的对数几率被建模为预测变量的线性组合:

代码语言:javascript
复制
odds= p/ (1-p) = probability of event occurrence / probability of not event occurrence
ln(odds) = ln(p/(1-p))
logit(p) = ln(p/(1-p)) = b0+b1X1+b2X2+b3X3....+bkXk

以上,p是存在感兴趣特征的概率。它选择的参数最大化观察样本值的可能性,而不是最小化误差平方和(如普通回归)。

现在,您可能会问,为什么要使用log函数?为简单起见,我们只是说这是复制步进函数的最佳数学方法之一。我可以详细介绍,但这会超出本文的目的。

来看使用python的scikit-learn完成的Logistic回归案例:

代码块
代码语言:javascript
复制
# ## 使用Scikit-learn的LogisticRegression完成测试案例
# In[30]:
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
# ### 读取训练数据和测试数据集
# In[31]:
train_data = pd.read_csv('train-data.csv')
test_data = pd.read_csv('test-data.csv')
print(train_data.head())
# ### 打印训练数据和测试数据形状
# In[32]:
print('Shape of training data :',train_data.shape)
print('Shape of testing data :',test_data.shape)
# In[33]:
#现在,我们需要预测测试数据中缺少的目标变量
# target变量 - Survived
#在训练数据上分离独立变量和目标变量
train_x = train_data.drop(columns=['Survived'],axis=1)
train_y = train_data['Survived']
#在测试数据上分离独立变量和目标变量
test_x = test_data.drop(columns=['Survived'],axis=1)
test_y = test_data['Survived']
model = LogisticRegression(solver='liblinear')
model.fit(train_x,train_y)
# In[34]:
#训练模型的系数
print('Coefficient of model :', model.coef_)
#拦截模型
print('Intercept of model',model.intercept_)
# In[35]:
# 预测训练数据集
predict_train = model.predict(train_x)
# 训练数据集得分
accuracy_train = accuracy_score(train_y,predict_train)
print('accuracy_score on train dataset : ', accuracy_train)
# In[36]:
# 预测测试数据集
predict_test = model.predict(test_x)
# 测试数据集得分
accuracy_test = accuracy_score(test_y,predict_test)
print('accuracy_score on test dataset : ', accuracy_test)
本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-09-16,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 yale记 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 背景介绍
    • 代码块
    领券
    问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档