Python机器学习库sklearn——逻辑回归
2018-11-16 17:09
357 查看
# -*- coding: UTF-8 -*- import numpy as np # 快速操作结构数组的工具 import pandas as pd # 数据分析处理工具 # 样本数据集,第一列为x1,第二列为x2,第三列为分类(二种类别) data=[ [-0.017612,14.053064,0], [-1.395634,4.662541,1], [-0.752157,6.538620,0], [-1.322371,7.152853,0], [0.423363,11.054677,0], [0.406704,7.067335,1], [0.667394,12.741452,0], [-2.460150,6.866805,1], [0.569411,9.548755,0], [-0.026632,10.427743,0], [0.850433,6.920334,1], [1.347183,13.175500,0], [1.176813,3.167020,1], [-1.781871,9.097953,0], [-0.566606,5.749003,1], [0.931635,1.589505,1], [-0.024205,6.151823,1], [-0.036453,2.690988,1], [-0.196949,0.444165,1], [1.014459,5.754399,1] ] #生成X和y矩阵 dataMat = np.mat(data) y = dataMat[:,2] # 类别变量 b = np.ones(y.shape) # 添加全1列向量代表b偏量 X = np.column_stack((b, dataMat[:,0:2])) # 特征属性集和b偏量组成x X = np.mat(X) # 特征数据归一化 # import sklearn.preprocessing as preprocessing #sk的去均值和归一化 # scaler=preprocessing.StandardScaler() # X = scaler.fit_transform(X) # 对特征数据集去均值和归一化,可以加快机器性能 # X = np.mat(X) # # print(X) # ========逻辑回归======== from sklearn import metrics from sklearn.linear_model import LogisticRegression model = LogisticRegression() model.fit(X, y) print('逻辑回归模型:\n',model) # 使用模型预测 predicted = model.predict(X) #预测分类 answer = model.predict_proba(X) #预测分类概率 print(answer)阅读更多
相关文章推荐
- 机器学习——Python实现逻辑回归
- Python机器学习库SKLearn包含的内容(目录)
- 机器学习 Python实现逻辑回归
- Python机器学习库SKLearn:数据集转换之特征提取
- python机器学习库sklearn——神经网络感知器
- Python数据分析与机器学习-Python实现逻辑回归与梯度下降策略
- python机器学习库sklearn——线性回归
- PYTHON机器学习实战——逻辑回归
- Python机器学习及实践——简介篇3(逻辑回归)
- Python机器学习库SKLearn:监督学习之广义线性模型
- python机器学习库sklearn——数据归一化、标准化、特征选择、逻辑回归、贝叶斯分类器、KNN模型、支持向量机、参数优化
- 机器学习_线性回归和逻辑回归(及python)
- python机器学习库sklearn——神经网络回归预测
- Python机器学习开发环境搭建和GraphLab Create安装
- Python、R、Java、 C++ 等:从业界反馈看机器学习语言趋势
- 【必看】Python超过R,成为数据科学和机器学习的首选语言!
- GitHub20个Python机器学习项目
- python机器学习《回归 一》
- 利用Python,四步掌握机器学习
- 利用Python,四步掌握机器学习