需要源码请点赞关注收藏后评论区留言并且私信~~~
线性回归算法能对连续值的结果进行预测，而逻辑回归模型是机器学习从统计领域借鉴的另一种技术，用于分析二分类或有序的因变量与解释变量之间的关系
逻辑回归算法是一种广义的线性回归分析方法，它仅在线性回归算法的基础上，利用Sigmoid函数对事件发生的概率进行预测。也就是说，在线性回归中可以得到一个预测值，然后将该值通过逻辑函数进行转换，将预测值转为概率值，再根据概率值实现分类。逻辑回归常用于数据挖掘、疾病自动诊断和经济预测等领域
Logistic回归模型
逻辑回归与线性回归类似，因为二者的目标都是找出每个输入变量的权重值，与线性回归不同的是，输出的预测值需要使用逻辑函数的非线性函数进行变换，逻辑函数即Sigmoid函数，能将任意值转换为0-1的范围内
二、逻辑回归在鸢尾花数据集中实战
首先导入相关包和数据
接着划分训练集和测试机并进行归一化
接着训练逻辑回归模型并对测试机进行预测
可见分类器的精度大概在百分之八十一左右
部分代码如下
from sklearn.datasets import load_iris X = load_iris().data y = load_iris().target print('前8条数据:\n',X[:8]) print('前8条数据对应的类型：',y[:8]) from from sklearn.preprocessing import StandardScaler sc = StandardScaler() X_train = sc.fit_transform(X_train) X_test = sc.transform(X_test) print(X_train[:5]) from sklearn.linear_model import LogisticRegression classifierrain) y_pred = classifier.predict(X_test) #用LogisticRegression自带的score获得模型在测试集上的准确性 print('Accuracy of LR Classifier:%.3f'%classifier.score(X_test,y_test))
创作不易 觉得有帮助请点赞关注收藏~~~
