阿里天池訓練營第一次學習，關於邏輯回歸的一些看法。
從sklearn中匯入邏輯回歸模型
from sklearn.linear_model import logisticregression二分類結果
## 為了正確評估模型效能，將資料劃分為訓練集和測試集，並在訓練集上訓練模型，在測試集上驗證模型效能。
from sklearn.model_selection import train_test_split
## 選擇其類別為0和1的樣本 （不包括類別為2的樣本）
## 取前100個資料（只包含0，1兩個類）
iris_features_part = iris_features.iloc[:100]
iris_target_part = iris_target[:100]
## 測試集大小為20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(iris_features_part, iris_target_part, test_size = 0.2, random_state = 2020)
# 在訓練集上訓練邏輯回歸模型
可以看到，在二分類結果上，準確度為1
三（多）分類結果
## 測試集大小為20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(iris_features, iris_target, test_size = 0.2, random_state = 2020)
## 定義 邏輯回歸模型
clf = logisticregression(random_state=0, solver='lbfgs')
# 在訓練集上訓練邏輯回歸模型
通過結果我們可以發現，其在三分類的結果的**準確度上有所下降，其在測試集上的準確度為: 86.67% ，這是由於』versicolor』（1）和 『virginica』（2）這兩個類別的特徵，我們從視覺化的時候也可以發現，其特徵的邊界具有一定的模糊性（邊界類別混雜，沒有明顯區分邊界），所有在這兩類的**上出現了一定的錯誤。
邏輯回歸 原理簡介：
logistic回歸雖然名字裡帶「回歸」，但是它實際上是一種分類方法，主要用於兩分類問題（即輸出只有兩種，分別代表兩個類別），所以利用了logistic函式（或稱為sigmoid函式），函式形式為：
其對應的函式影象可以表示如下:
通過上圖我們可以發現 logistic 函式是單調遞增函式，並且在z=0的時候取值為0.5，並且 ????(⋅) 函式的取值範圍為 (0,1) 。
而回歸的基本方程為 ?=?0+∑?????? ，
將回歸方程寫入其中為：
?=?(?=1|?,?)=ℎ?(?,?)=11+?−(?0+∑??????)
所以, ?(?=1|?,?)=ℎ?(?,?) ， ?(?=0|?,?)=1−ℎ?(?,?)
邏輯回歸從其原理上來說，邏輯回歸其實是實現了乙個決策邊界：對於函式 ?=11+?−? ,當 ?=>0 時, ?=>0.5 ,分類為1，當 ?<0 時, ?<0.5 ,分類為0，其對應的 ? 值我們可以視為類別1的概率**值.
對於模型的訓練而言：實質上來說就是利用資料求解出對應的模型的特定的 ? 。從而得到乙個針對於當前資料的特徵邏輯回歸模型。
而對於多分類而言，將多個二分類的邏輯回歸組合，即可實現多分類。
python學習打卡 Task1
基礎知識 注釋模組 內建函式dir 及help pep8 在mac終端輸入python可進入cpython互動式直譯器，利用print函式向世界打招呼吧 print hello,world 執行結果 hello,world input函式用於接收使用者輸入,先將輸入儲存在變數中，然後列印這個變數 d...
DW機器學習task1
邏輯回歸是乙個分類演算法，它可以處理二元分類以及多元分類。雖然它名字裡面有 回歸 兩個字，卻不是乙個回歸演算法。那為什麼有 回歸 這個誤導性的詞呢？個人認為，雖然邏輯回歸是分類模型，但是它的原理裡面卻殘留著回歸模型的影子，本文對邏輯回歸原理做乙個總結。從線性回歸到邏輯回歸 我們知道，線性回歸的模型是...
python基礎 打卡task1
a 1type a b float a b 1.0 type b c 1.5type c d int c d 1 type d 2 整型 布林型 a 0type a b bool a type b c flase type c d int c type d 3 浮點型 布林型 a 1.5type a...