sklearn实现逻辑回归_以python为工具【Python机器学习系列（十）】_python逻辑回归模型from sklearn

2401_84185182

于 2024-04-30 04:29:38 发布

阅读量1.2k

点赞数 25

CC 4.0 BY-SA版权

分类专栏：程序员文章标签： python 机器学习 sklearn

本文链接：https://blog.csdn.net/2401_84185182/article/details/138331983

本文介绍了使用Python实现逻辑回归模型，包括线性模型的训练、决策边界绘制，以及非线性逻辑回归通过多项式特征转换的应用。还以乳腺癌数据集为例，详细展示了如何计算和解读准确率、精确率和召回率等指标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

第三步，训练模型

logistic = LogisticRegression()
logistic.fit(x_data, y_data)

# 截距
print(logistic.intercept_)
# 系数：theta1 theta2
print(logistic.coef_)
# 预测
pred = logistic.predict(x_data)
# 输出评分
score = logistic.score(x_data, y_data)
print(score)

输出结果如下图所示：
在这里插入图片描述

绘制出带有决策边界的散点图：

# 绘制散点
plot_logi()
# 绘制决策边界
x_test = np.array([[-4], [3]])
y_test = -(x_test\*logistic.coef_[0, 0]+logistic.intercept_)/logistic.coef_[0, 1]
plt.plot(x_test, y_test)
plt.show()

在这里插入图片描述

2.非线性逻辑回归

python实现非线性逻辑回归，首先使用make_gaussian_quantiles获取一组高斯分布的数据集，代码及数据分布如下：

import matplotlib.pyplot as plt
from sklearn import linear_model
from sklearn.preprocessing import PolynomialF

最低0.47元/天解锁文章

200万优质内容无限畅学