Python实现Logistic 回归实例-优快云博客

本文链接：https://blog.youkuaiyun.com/Candice1103/article/details/50557712

本文介绍了Python中实现Logistic回归的步骤，包括数据收集、预处理、分析、训练、测试及应用。Logistic回归因其计算成本低、易于理解和实施而被广泛使用，但可能面临欠拟合和分类精度不足的问题，适用于数值型和标称型数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

logistic回归的一般过程：
1、收集数据：任何方式
2、准备数据：由于要计算距离，因此要求数据都是数值型的，另外结构化数据格式最佳。
3、分析数据：采用任一方是对数据进行分析
4、训练算法：大部分时间将用于训练，训练的目的为了找到最佳的分类回归系数
5、测试算法：一旦训练步骤完成，分类将会很快
6、使用算法：首先，我们需要输入一些数据，并将其转化成对应的结构化数值；接着基于训练好的回归系数就可以对这些数值进行简单的回归计算，判定它们属于哪一类别；在这之后，我们就可以在输出的类别上做一些其他的分析工作。
logistic 回归
优点：计算代价不高，易于理解与实现。
缺点：容易欠拟合，分类精度可能不高。
适用数据类型：数值型和标称型数据。

Logistic回归梯度上升优化算法
#载入数据集
def loadDataSet():
    dataMat = [];labelMat = []
    fr = open('testSet.txt')
    for line in fr.readlines():
        lineArr = line.strip().split()      dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])
        labelMat.append(int(lineArr[2])) 
    return dataMat, labelMat