逻辑回归模型

简介

本实验将提供一份关于如何使用 Python 的 scikit-learn 库创建逻辑回归模型的分步指南。

虚拟机使用提示

虚拟机启动完成后，点击左上角切换到“笔记本”标签页，以访问 Jupyter Notebook 进行练习。

有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。

如果你在学习过程中遇到问题，随时向 Labby 提问。课程结束后提供反馈，我们会及时为你解决问题。

导入必要的库

第一步是导入本实验中将会用到的必要库。我们将使用 numpy、matplotlib、scipy 和 sklearn。

import matplotlib.pyplot as plt
import numpy as np
from scipy.special import expit
from sklearn.linear_model import LinearRegression, LogisticRegression

生成一个简单的数据集

下一步是生成一个简单的数据集，它是一条带有一些高斯噪声的直线。我们将使用 numpy 来生成这个数据集。

## 生成一个简单的数据集，它只是一条带有一些高斯噪声的直线：
xmin, xmax = -5, 5
n_samples = 100
np.random.seed(0)
X = np.random.normal(size=n_samples)
y = (X > 0).astype(float)
X[X > 0] *= 4
X += 0.3 * np.random.normal(size=n_samples)

X = X[:, np.newaxis]

拟合分类器

生成数据集后，我们将使用 scikit-learn 中的 LogisticRegression 来拟合分类器。

## 拟合分类器
clf = LogisticRegression(C=1e5)
clf.fit(X, y)

绘制结果

最后一步是绘制结果。我们将使用 matplotlib 创建示例数据的散点图，并绘制逻辑回归模型和线性回归模型。

## 并绘制结果
plt.figure(1, figsize=(4, 3))
plt.clf()
plt.scatter(X.ravel(), y, label="示例数据", color="黑色", zorder=20)
X_test = np.linspace(-5, 10, 300)

损失 = expit(X_test * clf.coef_ + clf.intercept_).ravel()
plt.plot(X_test, 损失, label="逻辑回归模型", color="红色", linewidth=3)

ols = LinearRegression()
ols.fit(X, y)
plt.plot(
    X_test,
    ols.coef_ * X_test + ols.intercept_,
    label="线性回归模型",
    linewidth=1,
)
plt.axhline(0.5, color=".5")

plt.ylabel("y")
plt.xlabel("X")
plt.xticks(range(-5, 10))
plt.yticks([0, 0.5, 1])
plt.ylim(-0.25, 1.25)
plt.xlim(-4, 10)
plt.legend(
    loc="lower right",
    fontsize="small",
)
plt.tight_layout()
plt.show()

总结

本实验提供了一份关于如何使用 Python 的 scikit-learn 库创建逻辑回归模型的分步指南。我们首先导入必要的库，生成一个简单的数据集，拟合分类器，最后绘制结果。