线性逻辑回归以及稳健性测试

最新推荐文章于 2025-09-22 16:15:51 发布

原创

最新推荐文章于 2025-09-22 16:15:51 发布 · 1.9k 阅读

1 ·

CC 4.0 BY-SA版权

本文深入探讨了线性逻辑回归模型的原理，包括如何建立模型、参数估计以及解释预测结果。同时，文章强调了在实际应用中进行稳健性测试的重要性，详细阐述了多种稳健性检验方法，如替换缺失值策略、调整模型假设和对比不同回归方法的稳定性，以确保模型的可靠性和泛化能力。

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model.logistic import LogisticRegression
from sklearn.preprocessing import StandardScaler
# 模型评估
from sklearn.metrics import classification_report
# auc指标计算
from sklearn.metrics import roc_auc_score


# 加载数据

data = pd.read_csv('breast-cancer-wisconsin.data', encoding='gbk')
# print(data)

# 列名称
columns = ['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:']

# 替换列名称
data.columns = columns
# 先将数据转化为df
data = pd.DataFrame(data)
# print(data)

# 将空值？转化为np.nan类型
data.replace('?', np.nan, inplace=True)
data.dropna(how='any', axis=0, inplace=True)
# print(data)

# 数据标准化处理
# 进行数据集拆分
# 选取特征值
x = data.iloc[:, 1:10].values
y = data.iloc[:, -1].values
# print(type(x))

# 进行数据及拆分
# 返回特征值