机器学习(6)--创建逻辑回归分类器
2018-03-01 11:05
176 查看
创建逻辑回归分类器(Logistic_regression)
逻辑回归是一种分类方法,给定一组数据点,需要建立一个可以再类之间绘制线性回归的模型代码实现如下:
#-*- coding:utf-8 -*- import numpy as np from sklearn import linear_model import matplotlib.pyplot as plt #建立样本数据 x=np.array([[4,7],[3.5,8],[3.1,6.2],[0.5,1],[1,2],[1.2,1.9],[6,2],[5.7,1.5],[5.4,2.2]]) y=np.array([0,0,0,1,1,1,2,2,2]) #初始化一个逻辑回归分类器 其中solver表示设置求解系统方程的算法类型,C代表正则化程度,数值越小,正则化强度越高 classifier=linear_model.LogisticRegression(solver='liblinear',C=10000) #训练分类器 拟合 classifier.fit(x,y) #画出数据点和边界 def plot_classifier(classifier,x,y): x_min,x_max=min(x[:,0])-1.0,max(x[:,0])+1.0 y_min,y_max=min(x[:,1])-1.0,max(x[:,1])+1.0 # 设置网格数据的步长 step_size = 0.01 # 定义网格 x_values, y_values = np.meshgrid(np.arange(x_min, x_max, step_size), np.arange(y_min, y_max, step_s 4000 ize)) # 计算分类器输出结果 mesh_output = classifier.predict(np.c_[x_values.ravel(), y_values.ravel()]) # 数组维度变形 mesh_output = mesh_output.reshape(x_values.shape) # 用彩色区域画出各个类型的边界 plt.figure() plt.pcolormesh(x_values, y_values, mesh_output, cmap=plt.cm.gray) # 将训练数据点画在图形上 plt.scatter(x[:, 0], x[:, 1], c=y, s=80, edgecolors='black', linewidth=1, cmap=plt.cm.Paired) # 设置图形的取值范围 plt.xlim(x_values.min(), x_values.max()) plt.ylim(y_values.min(), y_values.max()) #设置x轴与y轴 使得刻度为单位刻度 且为整数 plt.xticks((np.arange(int(min(x[:,0])-1),int(max(x[:,0])+1),1.0))) plt.yticks((np.arange(int(min(x[:,1])-1),int(max(x[:,1])+1),1.0))) plt.show() plot_classifier(classifier,x,y)
输出图形如下:
相关文章推荐
- 机器学习-逻辑回归分类器
- [置顶] 机器学习 (五) LR逻辑回归分类器
- Stanford机器学习---第三讲. 逻辑回归和过拟合问题的解决 logistic Regression & Regularization
- 机器学习系列(1)_逻辑回归初步
- 机器学习之逻辑回归
- Stanford机器学习---第三讲. 逻辑回归和过拟合问题的解决 logistic Regression & Regularization
- Coursera公开课笔记: 斯坦福大学机器学习第六课“逻辑回归
- 机器学习之逻辑回归(Logistic Regression)
- 《机器学习》学习笔记(一):线性回归、逻辑回归
- (斯坦福机器学习课程笔记)用广义线性模型推导逻辑回归模型
- 机器学习-logistic Regression(逻辑回归)
- 机器学习之逻辑回归代码
- [置顶] 机器学习总结二:逻辑回归Logistic Regression
- 机器学习——逻辑回归
- 机器学习:逻辑回归
- Stanford大学机器学习公开课(三):局部加权回归、最小二乘的概率解释、逻辑回归、感知器算法
- 机器学习系列(2)_从初等数学视角解读逻辑回归
- 机器学习二 逻辑回归作业
- 机器学习笔记(7)逻辑回归
- 机器学习之逻辑回归和softmax回归及代码示例