机器学习--7

标签：info   gre   code   log   ESS   src   data   参考   模型   

逻辑回归是怎么防止过拟合的？

过拟合就是参考的特征数过多，直接筛选减少就是它的做法，不过需要手动保留认为有适当意义的数据

为什么正则化可以防止过拟合？

正则化就是保留所有特征，但是降低它对对特征的识别度，就是降低特征参数（符号就不打了）

-用logiftic回归来进行实践操作

import numpy as np
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
#从sklearn.datasets加载load_breast_cancer数据集，就是癌症人员的数据
data=load_breast_cancer()
#划分训练数据和测试数据  3/7分
train_data, test_data, train_target, test_target = train_test_split(data[‘data‘], data[‘target‘], test_size=0.3)
#训练模型
model=LogisticRegression().fit(train_data,train_target)
score1=model.score(train_data,train_target)#训练数据模型评价
score2=model.score(test_data,test_target)#测试数据评价
print(‘train_data_score:‘,score1,‘test_data_score:‘,score2)
#进行预测
y_pred=model.predict(test_data)
print("预测数据：",y_pred)
print(‘matchs:‘,np.equal(y_pred,test_target).shape[0],test_target.shape[0])

机器学习--7

标签：info   gre   code   log   ESS   src   data   参考   模型   

原文地址：https://www.cnblogs.com/zzkai/p/12787693.html