機器學習之邏輯回歸

知識點：

"""

邏輯回歸：只能解決二分類問題
損失函式：
1、均方誤差(不存在多個區域性最低點)：只有乙個最小值
2、對數似然損失：存在多個區域性最小值 ；
改善方法：1、多次隨機初始化，多次比較最小值結果；
2、調整學習率
邏輯回歸缺點：不好處理多分類問題                  
生成模型：有先驗概率 (邏輯回歸，隱馬爾科夫模型)
判別模型：沒有先驗概率 (knn,決策樹，隨機森林，神經網路)
"""

def

logistic():
"""邏輯回歸做二分類進行癌症**（根據細胞的屬性特徵）
:return: none
"""#
構造列標籤名字
column = ['
sample code number
','clump thickness
', '
uniformity of cell size
','uniformity of cell shape
','marginal adhesion
', '
single epithelial cell size
','bare nuclei
','bland chromatin
','normal nucleoli
','mitoses
','class']
#讀取資料
data = pd.read_csv("
", names=column)
print
(data)
#缺失值進行處理
data = data.replace(to_replace='
?', value=np.nan)
data =data.dropna()
#進行資料的分割
x_train, x_test, y_train, y_test = train_test_split(data[column[1:10]], data[column[10]], test_size=0.25)
#進行標準化處理
std =standardscaler()
x_train =std.fit_transform(x_train)
x_test =std.transform(x_test)
#邏輯回歸**
lg = logisticregression(c=1.0)
lg.fit(x_train, y_train)
print
(lg.coef_)
y_predict =lg.predict(x_test)
print("
準確率：
", lg.score(x_test, y_test))
print("
召回率：
", classification_report(y_test, y_predict, labels=[2, 4], target_names=["
良性", "惡性"
]))    
return none

機器學習之邏輯回歸

什麼叫邏輯回歸？簡單來講便是目標值只有，而線性回歸的目標值卻是乙個區域 0，1 可以代表得病沒得病，正確錯誤，etc.那麼怎麼才能把給定的輸入值正確的分類到呢，下面就介紹乙個特別的函式 sigmoid函式，g z 1 1 exp z 啥都不說先上圖。上圖便是sigmoid函式圖了，之所以引用這個函式...

機器學習之 邏輯回歸

邏輯回歸又稱logistic回歸，邏輯斯諦回歸，是一種廣義的線性回歸分析模型。sigmoid函式也是神經網路中常用的函式，用於把x從負無窮到正無窮壓縮到y從0到1之間。畫出來就是一條s型曲線，如下圖中的藍色曲線 它以0點為中心對稱，公式如下 當x值接近負無窮時，分母很大，s x 接近0，當x接近正無...

機器學習之邏輯回歸

邏輯回歸 logistic regression 最初是為了解決二分類問題。對於線性模型要想進行如二分類任務，最簡單的辦法就是通過階躍函式 unit step function 即將線性模型的輸出值套上乙個函式進行分割，大於z的判定為0，小於z的判定為1。如下圖左所示 但這有個問題是，分段函式不連續...