sklearn线性逻辑回归和非线性逻辑回归的实现

线性逻辑回归

本文用代码实现怎么利用sklearn来进行线性逻辑回归的计算，下面先来看看用到的数据。

这是有两行特征的数据，然后第三行是数据的标签。

python代码

首先导入包和载入数据

写一个画图的函数，把这些数据表示出来：

然后我们调用这个函数得到下面的图像：

接下来开始创建模型并拟合，然后调用sklearn里面的逻辑回归方法，里面的函数可以自动帮算出权值和偏置值，非常简单，接着画出图像。

最后我们可以来看看评估值：

可以看到，正确率、召回率、F1值都达到了95%。

非线性逻辑回归

非线性逻辑回归意味着决策边界是曲线，和线性逻辑回归的原理是差不多的，这里用到的数据是datasets自动生成的，

接下来要把数据进行多项式处理，简单地说就是增加数据的特征，

然后规定好图像的坐标值，并生成一个网格矩阵，

定义一个等高线的高，

结果一目了然，很好的分成了两类：

看一下准确率，98%，说明算比较成功，准确率很高。

线性逻辑回归和非线性逻辑回归用到的代价函数都是一样的，原理相同，只不过是预估函数的复杂度不一样，非线性逻辑回归要对数据进行多项式处理，增加数据的特征量。

到此这篇关于sklearn线性逻辑回归和非线性逻辑回归的实现的文章就介绍到这了,更多相关sklearn线性逻辑回归和非线性逻辑回归内容请搜索ZaLou.Cn以前的文章或继续浏览下面的相关文章希望大家以后多多支持ZaLou.Cn！