美文网首页机器学习
逻辑回归实现-Python

逻辑回归实现-Python

作者: 灵妍 | 来源:发表于2018-03-01 20:07 被阅读86次
    1、数据预处理

    这里的案例是根据用户的年龄和收入预测该用户是否会购买该产品。
    步骤如下:
    导入标准库-导入数据集-确定因变量和自变量-划分训练集和测试集-将自变量标准化
    注意:由于因变量是分类数据,不需要标准化。
    代码:

    # Importing the libraries
    import numpy as np
    import matplotlib.pyplot as plt
    import pandas as pd
    
    # Importing the dataset
    dataset = pd.read_csv('Social_Network_Ads.csv')
    X = dataset.iloc[:, 2:4].values
    y = dataset.iloc[:, 4].values
    
    # Splitting the dataset into the Training set and Test set
    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)
    
    # Feature Scaling
    from sklearn.preprocessing import StandardScaler
    sc_X = StandardScaler()
    X_train = sc_X.fit_transform(X_train)
    X_test = sc_X.transform(X_test)
    
    2、拟合逻辑回归模型

    步骤如下:
    导入线性模型中的逻辑回归类-创建逻辑回归对象-利用训练集拟合逻辑回归对象
    代码:

    #fitting logistic regression to the Training set
    from sklearn.linear_model import LogisticRegression
    classifier=LogisticRegression(random_state=0)
    classifier.fit(X_train,y_train)
    
    3、预测因变量

    利用拟合好的逻辑回归模型中的predict()函数预测测试集。
    代码:

    #predicting the test set results
    y_pred=classifier.predict(X_test)
    
    4、得到测试集的预测结果与真实结果的对比(混淆矩阵)
    混淆矩阵结果.png

    代码:

    #make the confusion matrix
    from sklearn.metrics import confusion_matrix
    cm=confusion_matrix(y_test,y_pred)
    
    5、可视化模型

    得到的模性可视化后的分界线是一条直线,直线两边的区域分别代表购买以及不购买,不同颜色的散点代表训练集或测试集的购买情况,横坐标代表年龄,纵坐标代表收入。
    模型的绘制主要指通过像素点描色,具体步骤如下:
    得到平面上的点坐标-得到点坐标的预测结果-绘制模型-绘制散点图


    模型-测试集.png 模型-训练集.png
    #visualing the train set results
    # Visualising the Training set results
    from matplotlib.colors import ListedColormap
    X_set, y_set = X_train, y_train
    X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),
                         np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01))
    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(('orange', 'blue'))(i), label = j)
    plt.title('Logistic Regression (Training set)')
    plt.xlabel('Age')
    plt.ylabel('Estimated Salary')
    plt.legend()
    plt.show()
    
    # Visualising the Test set results
    from matplotlib.colors import ListedColormap
    X_set, y_set = X_test, y_test
    X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),
                         np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01))
    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(('orange', 'blue'))(i), label = j)
    plt.title('Logistic Regression (Test set)')
    plt.xlabel('Age')
    plt.ylabel('Estimated Salary')
    plt.legend()
    plt.show()
    

    相关文章

      网友评论

        本文标题:逻辑回归实现-Python

        本文链接:https://www.haomeiwen.com/subject/irenxftx.html