ML之LoR：基于LoR(邏輯回歸)算法對乳腺癌腫瘤(9+1)進行二分類預測(良/惡性)

?

?

目錄

輸出結果

設計思路

數據集

核心代碼

---

?

?

?

輸出結果

Testing accuracy (10 training samples): 0.8685714285714285
Testing accuracy (all training samples): 0.9371428571428572

?

?

設計思路

數據集

? ? ? ? ?可知該原始數據共有699條樣本，每條樣本有11列不同的數值：1列用于檢索的id，9列與腫瘤相關的醫學特征，以及一列表征腫瘤類型的數值。所有9列用于表示腫瘤醫學特質的數值均被量化為1~10之間的數字，而腫瘤的類型也借由數字2和數字4分別指代良性與惡性。不過，這份數據也聲明其中包含16個缺失值，并且用“?”標出。本代碼中，對于存在缺失值的數據，都暫時子以忽略。

Number of Instances：699 (as of 15 July 1992)
Number of Attributes：10 plus the class attribute
Attribute Information：(class attribute has been moved to last column

#Attribute ? ? ? ? ? ? ? ? ? ? ? ? ? ? Domain ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??
1 .Sample code number ? ? ? ? id number
2 .Clump Thickness ? ? ? ? ? ? ? ? ?1一10
3 .Uniformity of Cell ? ? ? ? ? ? ? ? ?1一10
4 .Uniformity of Cell ? ? ? ? ? ? ? ? ?1一10
5 .Marginal Adhesion ? ? ? ? ? ? ? ?1一10
6 .Single Epithelial Cell Size? ? ?1一10
7 .Bare Nuclei? ? ? ? ? ? ? ? ? ? ? ? ? ?1一10
8 .Bland Chromatin? ? ? ? ? ? ? ? ? ?1一10
9. Normal Nucleoli? ? ? ? ? ? ? ? ? ??1一10
10 .Mitoses? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?1一10
11 .Class: ? ? ? ? ? ? ? (2 for benign, ?4 for malignant)

?

核心代碼

import numpy as np intercept = np.random.random([1]) coef = np.random.random([2])lx = np.arange(0, 12) ly = (-intercept - lx * coef[0]) / coef[1]from sklearn.linear_model import LogisticRegression lr = LogisticRegression() lr.fit(df_train[['Clump Thickness', 'Cell Size']][:10], df_train['Type'][:10]) print('Testing accuracy (10 training samples):', lr.score(df_test[['Clump Thickness', 'Cell Size']], df_test['Type']))intercept = lr.intercept_ coef = lr.coef_[0, :] ly = (-intercept - lx * coef[0]) / coef[1]lr = LogisticRegression() lr.fit(df_train[['Clump Thickness', 'Cell Size']], df_train['Type']) print('Testing accuracy (all training samples):', lr.score(df_test[['Clump Thickness', 'Cell Size']], df_test['Type']))intercept = lr.intercept_ coef = lr.coef_[0, :] ly = (-intercept - lx * coef[0]) / coef[1]

?

?

?

?

?

總結

以上是生活随笔為你收集整理的ML之LoR：基于LoR(逻辑回归)算法对乳腺癌肿瘤(9+1)进行二分类预测(良/恶性)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。