建站
咨詢
售后
建站咨詢
新聞中心
這里有您想知道的互聯(lián)網(wǎng)營(yíng)銷解決方案
講解一下Python邏輯回歸問(wèn)題
logistic回歸又稱logistic回歸分析，是一種廣義的線性回歸分析模型，常用于數(shù)據(jù)挖掘，疾病自動(dòng)診斷，經(jīng)濟(jì)預(yù)測(cè)等領(lǐng)域。例如，探討引發(fā)疾病的危險(xiǎn)因素，并根據(jù)危險(xiǎn)因素預(yù)測(cè)疾病發(fā)生的概率等。
Logistic Regression Classifier邏輯回歸主要思想就是用最大似然概率方法構(gòu)建出方程，為最大化方程，利用牛頓梯度上升求解方程參數(shù)。
優(yōu)點(diǎn)：計(jì)算代價(jià)不高，易于理解和實(shí)現(xiàn)。 缺點(diǎn)：容易欠擬合，分類精度可能不高。 使用數(shù)據(jù)類型：數(shù)值型和標(biāo)稱型數(shù)據(jù)。 好了，下面開始正文。
算法的思路我就不說(shuō)了，我就提供一個(gè)萬(wàn)能模板，適用于任何緯度數(shù)據(jù)集。 雖然代碼類似于梯度下降，但他是個(gè)分類算法
定義sigmoid函數(shù)
def sigmoid(x):
return 1/(1+np.exp(-x))
進(jìn)行邏輯回歸的參數(shù)設(shè)置以及迭代
def weights(x,y,alpha,thershold):
#初始化參數(shù)
m,n = x_train.shape
theta = np.random.rand(n) #參數(shù)
cnt = 0 # 迭代次數(shù)
max_iter = 50000
#開始迭代
while cnt for i in range(m):
diff = (y[i]-sigmoid(theta.T @ x[i]))*x[i]
theta = theta + alpha * diff
if(abs(diff)
break
return theta
預(yù)測(cè)函數(shù)
def predict(x_test,theta):
if sigmoid(theta.T @ x_test)>0.5:
return 1
else:return 0
調(diào)用函數(shù)
x_train = np.array([[1,2.697,6.254],
[1,1.872,2.014],
[1,2.312,0.812],
[1,1.983,4.990],
[1,0.932,3.920],
[1,1.321,5.583],
[1,2.215,1.560],
[1,1.659,2.932],
[1,0.865,7.362],
[1,1.685,4.763],
[1,1.786,2.523]])
y_train = np.array([1,0,0,1,0,1,0,0,1,0,1])
alpha = 0.001 # 學(xué)習(xí)率
thershold = 0.01 # 指定一個(gè)閾值，用于檢查兩次誤差
print(weights(x_train,y_train,alpha,thershold))
網(wǎng)站欄目：講解一下Python邏輯回歸問(wèn)題
文章出自：http://www.dlmjj.cn/article/cdsdpgp.html
