本文教程操作环境:windows7系统、Python 3.9.1,DELL G3电脑。
1.说明
逻辑回归简称LR,能够将特征输入集合转化为0和1这两类的概率。我们可以简单的把逻辑回归所要解决的问题理解为“分类”问题,在分类问题中最为简单的为二分类,即我们只需要把一组数据分为两类即可。而在二分类问题中,最为简单的又属“线性分类”,即我们只需要用一条直线即可将两类数据分开。
2.优点
计算代价不高,易于理解和实现。
3.缺点
容易欠拟合,分类精度不高。
4.使用数据
数值型和标称型。
5.实例
fromsklearn.linear_modelimportLogisticRegression #复习情况,格式为[时长,效率] x_train=[(0,0),(7,0.9),(15,0.4),(13,0.9),(15,0.4),(16,0.4),(16,0.8),(15,0.7),(17,0.2),(7.5,0.8),(17,0.9),(18,0.1),(18,0.6),(18,0.8)] y_train=[0,0,0,1,0,0,1,1,0,1,1,0,1,1]#0考不上,1考得上 #创建并训练逻辑回归模型 reg=LogisticRegression() reg.fit(x_train,y_train) #测试模型 x_test=[(3,0.1),(8,0.3),(7,0.2),(4,0.2),(4,0.4)] y_test=[0,0,0,0,0] score=reg.score(x_test,y_test) #预测并输出预测结果 learning=[(16,0.9)] result=reg.predict_proba(learning) msg='''模型得分:{0} 复习时长为:{1[0]},效率为:{1[1]} 您考不上的概率为:{2[0]} 您考的上的概率为:{2[1]} 总和判断,您会:{3}'''.format(score,learning[0],result[0],'考不上'ifresult[0][0]>0.5else"考得上") print(msg)
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。
评论(0)