文章目錄

• 一、環(huán)境
• 二、具體實(shí)現(xiàn)步驟
• • 第1步：數(shù)據(jù)預(yù)處理
  • • 導(dǎo)入庫(kù)
    • 導(dǎo)入數(shù)據(jù)
    • 將數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集
  • 第2步：邏輯回歸模型
  • 第3步：預(yù)測(cè)結(jié)果
  • 第4步：評(píng)估預(yù)測(cè)結(jié)果
  • • 可視化
• 三、可視化結(jié)果展示
• 四、邏輯回歸是什么
• 五、利用matplotlib實(shí)現(xiàn)可視化
• • 1. 函數(shù)講解
  • 2. 關(guān)于X_set[y_set==j,0]

一、環(huán)境

• Python3.6.5
• 編譯器：jupyter notebook

二、具體實(shí)現(xiàn)步驟

第1步：數(shù)據(jù)預(yù)處理

導(dǎo)入庫(kù)

import numpy as np import matplotlib.pyplot as plt import pandas as pd

導(dǎo)入數(shù)據(jù)

dataset = pd.read_csv('Social_Network_Ads.csv') X = dataset.iloc[ : , [2,3]].values Y = dataset.iloc[ : ,4].values

將數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集

from sklearn.model_selection import train_test_split X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.25, random_state=0)

第2步：邏輯回歸模型

from sklearn.linear_model import LogisticRegression classifier = LogisticRegression() classifier.fit(X_train, Y_train)

第3步：預(yù)測(cè)結(jié)果

Y_pred = classifier.predict(X_test)

第4步：評(píng)估預(yù)測(cè)結(jié)果

可視化

from matplotlib.colors import ListedColormap #1.訓(xùn)練集可視化 X_set,y_set=X_train,Y_trainx = np.arange(start=X_set[:,0].min()-1, stop=X_set[:, 0].max()+1, step=0.01) y = np.arange(start=X_set[:,1].min()-1, stop=X_set[:,1].max()+1, step=0.01) #把x，y綁定為網(wǎng)格的形式 X1,X2=np. meshgrid(x,y)plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(),X2.ravel()]).T).reshape(X1.shape),alpha = 0.75, cmap = ListedColormap(('red', 'green'))) plt.xlim(X1.min(),X1.max()) plt.ylim(X2.min(),X2.max()) for i,j in enumerate(np.unique(y_set)):plt.scatter(X_set[y_set==j,0],X_set[y_set==j,1],c = ListedColormap(('red', 'green'))(i), label=j)plt. title(' LOGISTIC(Training set)') plt. xlabel(' Age') plt. ylabel(' Estimated Salary') plt. legend() plt. show()#2.測(cè)試集可視化 X_set,y_set=X_test,Y_testx = np.arange(start=X_set[:,0].min()-1, stop=X_set[:, 0].max()+1, step=0.01) y = np.arange(start=X_set[:,1].min()-1, stop=X_set[:,1].max()+1, step=0.01) #把x，y綁定為網(wǎng)格的形式 X1,X2=np. meshgrid(x,y)plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(),X2.ravel()]).T).reshape(X1.shape),alpha = 0.75, cmap = ListedColormap(('red', 'green'))) plt.xlim(X1.min(),X1.max()) plt.ylim(X2.min(),X2.max()) for i,j in enumerate(np.unique(y_set)):plt.scatter(X_set[y_set==j,0],X_set[y_set==j,1],c = ListedColormap(('red', 'green'))(i), label=j)plt. title(' LOGISTIC(Test set)') plt. xlabel(' Age') plt. ylabel(' Estimated Salary') plt. legend() plt. show()

三、可視化結(jié)果展示

四、邏輯回歸是什么

簡(jiǎn)單來(lái)說(shuō)， 邏輯回歸（Logistic Regression）是一種用于解決二分類（0 or 1）問(wèn)題的機(jī)器學(xué)習(xí)方法，用于估計(jì)某種事物的可能性。比如某用戶購(gòu)買某商品的可能性，某病人患有某種疾病的可能性，以及某廣告被用戶點(diǎn)擊的可能性等。

邏輯回歸是為了解決分類問(wèn)題，根據(jù)一些已知的訓(xùn)練集訓(xùn)練好模型，再對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)屬于哪個(gè)類。

邏輯回歸（Logistic Regression）與線性回歸（Linear Regression）都是一種廣義線性模型（generalized linear model）。邏輯回歸假設(shè)因變量 y 服從伯努利分布，而線性回歸假設(shè)因變量 y 服從高斯分布。（這部分暫時(shí)了解了即可）

這篇博客簡(jiǎn)單介紹一下邏輯回歸是個(gè)什么東西，下一篇博客將展開(kāi)對(duì)邏輯回歸的具體介紹。

五、利用matplotlib實(shí)現(xiàn)可視化

1. 函數(shù)講解

（1） np.arange()： arange([start,] stop[, step,], dtype=None)根據(jù)start與stop指定的范圍以及step設(shè)定的步長(zhǎng)，生成一個(gè) ndarray可迭代對(duì)象。

（2） .ravel()： 將多維數(shù)組降為一維數(shù)組。

（3） .reshape()： A.reshape(X1.shape)將A的類型重塑為X1的shape。

（4） T： 實(shí)現(xiàn)數(shù)組轉(zhuǎn)置和軸對(duì)換。例如：

arr = np.arange(15).reshape(3,5) """ 輸出： array([[ 0, 1, 2, 3, 4],[ 5, 6, 7, 8, 9],[10, 11, 12, 13, 14]]) """ arr.T """ 輸出： array([[ 0, 5, 10],[ 1, 6, 11],[ 2, 7, 12],[ 3, 8, 13],[ 4, 9, 14]]) """

（5）.meshgrid()： meshgrid函數(shù)用兩個(gè)坐標(biāo)軸上的點(diǎn)在平面上畫(huà)網(wǎng)格。

（6）.contourf()： 用來(lái)畫(huà)紅綠兩種結(jié)果的分界線， classifier.predict(np.array([X1.ravel(),X2.ravel()]).T).reshape(X1.shape)，這個(gè)是利用邏輯回歸模型預(yù)測(cè)分界線。

（7）xlim： plt.xlim設(shè)置x坐標(biāo)軸范圍。

（8）ylim： plt.ylim設(shè)置y坐標(biāo)軸范圍。

（9）unque()： 是一個(gè)去重函數(shù)。

（10）enumerate： 用于將一個(gè)可遍歷的數(shù)據(jù)對(duì)象(如列表、元組或字符串)組合為一個(gè)索引序列，同時(shí)列出數(shù)據(jù)和數(shù)據(jù)下標(biāo)，一般用在 for 循環(huán)當(dāng)中。

今天先了解一下利用matplotlib實(shí)現(xiàn)可視化，明天將對(duì)matplotlib進(jìn)行詳細(xì)介紹。

2. 關(guān)于X_set[y_set==j,0]

for i,j in enumerate(np.unique(y_set)):plt.scatter(X_set[y_set==j,0],X_set[y_set==j,1],c = ListedColormap(('red', 'green'))(i), label=j)

關(guān)于這個(gè)點(diǎn)小編也是半懂，簡(jiǎn)單談一下我的理解。y_set == j的結(jié)果是一個(gè)布爾值這個(gè)是肯定的，當(dāng)y_set == j的結(jié)果為False時(shí)，plt.scatter語(yǔ)句不執(zhí)行；當(dāng)y_set == j的結(jié)果為True時(shí)，plt.scatter語(yǔ)句執(zhí)行，X_set[y_set==j,0]的作用效果相當(dāng)于X_set[ : ,0]。

附上老外的看法：What does X_set[y_set == j, 0] mean?

有不同見(jiàn)解的童鞋可以在下方留言，我們一起交流。

總結(jié)

以上是生活随笔為你收集整理的机器学习第5天：逻辑回归的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。