标签：zed dict ima model 导入 otl mamicode 比较 样本
logistic回归与线性回归实际上有很多相同之处，最大的区别就在于他们的因变量不同，其他的基本都差不多，正是因为如此，这两种回归可以归于同一个家族，即广义线性模型（generalized
linear
model）。这一家族中的模型形式基本上都差不多，不同的就是因变量不同，如果是连续的，就是多重线性回归，如果是二项分布，就是logistic回归。logistic回归的因变量可以是二分类的，也可以是多分类的，但是二分类的更为常用，也更加容易解释。所以实际中最为常用的就是二分类的logistic回归。而逻辑回归是用于分类问题，线性回归才是用于回归问题的。
接下来就用python的sklearn实现一个例子，这里用到了skearn中的load_iris数据
#第二天 逻辑回归与线性回归 #导入iris数据 from sklearn.datasets import load_iris #导入回归方法 from sklearn.linear_model import LinearRegression,LogisticRegression #导入拆分数据集的方法 from sklearn.model_selection import train_test_split #用于分析验证测试结果 from sklearn.metrics import confusion_matrix,classification_report # 载入sklearn数据 iris = load_iris() # 获取特征数据 iris_data = iris[‘data‘] # 特征列名 columns = iris[‘feature_names‘] # 获取签值 iris_label = iris[‘target‘] # 拆分训练集和测试集 train_x,test_x,train_y,test_y = train_test_split(iris_data,iris_label,test_size=0.3) clf = LogisticRegression() #训练 clf.fit(train_x,train_y) #预测 predict_y = clf.predict(test_x) print(confusion_matrix(test_y,predict_y)) print(classification_report(test_y,predict_y))
代码很简单，导入数据和训练基本上就是这样，这里说一下confusion_matrix这个主要用于查看预测结果和真是结果的差别
[[18 0 0] [ 0 13 1] [ 0 1 12]]
以上结果，列是预测结果数量，行是真是结果数量，在对角线上的数据说明预测和真实结果一直，这里看第二行三列，这里就说明真实结果是类型二结果预测成为类型三。
让后就是classification_report这个方法可以看到预测结果的一些信息，比如准确率，召回率等等
precision recall f1-score support 0 1.00 1.00 1.00 18 1 0.93 0.93 0.93 14 2 0.92 0.92 0.92 13 avg / total 0.96 0.96 0.96 45
可以看到有三个类型0,1,2
第一列precision表示准确率，从上往下意思是预测为0类的准确率为1，预测为1类的准确率是0.93，预测为2类的准确率是0.92，最后一行是平均准确率。
第二列recall表示召回率
第三列f1-score表示F1分数
第四列support表示改分类有多少样本
从这个结果来看，整体预测结果较好，平均准确率和召回率还有F1都比较理想，特别是在类型0上是完全准确，类别2和3相对要差一点。
由于数据特征有3个无法用matplotlib可视化，下面我们用一个特征的数据实现一下线性回归并且可视化出来。
import numpy as np from matplotlib import pyplot as plt #生成二维的线性散点，加入一些偏移量 x = np.linspace(0, 50, 100) + 2*np.random.randn(100) y = 2*x + 5*np.random.randn(100) #预测需要的x值二维数组，用此方法将数组转换成二维的 x = x.reshape(-1,1) # 上面例子有，同样是拆分训练集和测试集 train_x,test_x,train_y,test_y = train_test_split(x,y,test_size=0.3) # 我们先画一下训练集和测试集的数据吧 plt.figure(figsize=(16,6)) plt.subplot(1,2,1) plt.scatter(train_x,train_y,label=‘train data‘) plt.legend() plt.subplot(1,2,2) plt.scatter(test_x,test_y,label=‘test data‘) plt.legend() plt.show()
左边的训练集，右边的是测试集，接下来我们用训练集开始训练，让后用测试集来测训练的效果，并且打印出来
# 线性回归方法 clf = LinearRegression() # 用训练集训练 clf.fit(train_x,train_y) # 预测测试集 predict_y = clf.predict(test_x) # 打印出来 plt.figure(figsize=(8,6)) plt.xlim([-5,55]) plt.ylim([-10,110]) plt.xlabel(‘x‘) plt.ylabel(‘y‘) plt.scatter(test_x,test_y,c=‘r‘,label=‘really‘) plt.plot(test_x,predict_y,color=‘b‘,label=‘predict‘) plt.legend() plt.show()
红色点是真是测试集数据，蓝线是预测的线性模型。
标签：zed dict ima model 导入 otl mamicode 比较 样本
原文地址：https://www.cnblogs.com/yifengjianbai/p/10371380.html
