文章目錄

• 一、環境
• 二、具體實現步驟
• • 第1步：數據預處理
  • • 導入庫
    • 導入數據
    • 將數據集分成訓練集和測試集
  • 第2步：邏輯回歸模型
  • 第3步：預測結果
  • 第4步：評估預測結果
  • • 可視化
• 三、可視化結果展示
• 四、邏輯回歸是什么
• 五、利用matplotlib實現可視化
• • 1. 函數講解
  • 2. 關于X_set[y_set==j,0]

一、環境

• Python3.6.5
• 編譯器：jupyter notebook

二、具體實現步驟

第1步：數據預處理

導入庫

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

導入數據

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

將數據集分成訓練集和測試集

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：預測結果

Y_pred = classifier.predict(X_test)

第4步：評估預測結果

可視化

from matplotlib.colors import ListedColormap #1.訓練集可視化 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、可視化結果展示

四、邏輯回歸是什么

簡單來說， 邏輯回歸（Logistic Regression）是一種用于解決二分類（0 or 1）問題的機器學習方法，用于估計某種事物的可能性。比如某用戶購買某商品的可能性，某病人患有某種疾病的可能性，以及某廣告被用戶點擊的可能性等。

邏輯回歸是為了解決分類問題，根據一些已知的訓練集訓練好模型，再對新的數據進行預測屬于哪個類。

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）。邏輯回歸假設因變量 y 服從伯努利分布，而線性回歸假設因變量 y 服從高斯分布。（這部分暫時了解了即可）

這篇博客簡單介紹一下邏輯回歸是個什么東西，下一篇博客將展開對邏輯回歸的具體介紹。

五、利用matplotlib實現可視化

1. 函數講解

（1） np.arange()： arange([start,] stop[, step,], dtype=None)根據start與stop指定的范圍以及step設定的步長，生成一個 ndarray可迭代對象。

（2） .ravel()： 將多維數組降為一維數組。

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

（4） T： 實現數組轉置和軸對換。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函數用兩個坐標軸上的點在平面上畫網格。

（6）.contourf()： 用來畫紅綠兩種結果的分界線， classifier.predict(np.array([X1.ravel(),X2.ravel()]).T).reshape(X1.shape)，這個是利用邏輯回歸模型預測分界線。

（7）xlim： plt.xlim設置x坐標軸范圍。

（8）ylim： plt.ylim設置y坐標軸范圍。

（9）unque()： 是一個去重函數。

（10）enumerate： 用于將一個可遍歷的數據對象(如列表、元組或字符串)組合為一個索引序列，同時列出數據和數據下標，一般用在 for 循環當中。

今天先了解一下利用matplotlib實現可視化，明天將對matplotlib進行詳細介紹。

2. 關于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)

關于這個點小編也是半懂，簡單談一下我的理解。y_set == j的結果是一個布爾值這個是肯定的，當y_set == j的結果為False時，plt.scatter語句不執行；當y_set == j的結果為True時，plt.scatter語句執行，X_set[y_set==j,0]的作用效果相當于X_set[ : ,0]。

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

有不同見解的童鞋可以在下方留言，我們一起交流。

總結

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。