（PYTHON）iris数据集逻辑回归一对一分类，投票法确定最终类别

将数据集按类别分为两两一组，用对数几率回归训练每一组的分类模型，将测试集依次按照三个模型进行分类，分得的类别票数加1，最终分类类别为得票数最多的类。

'''
用对数几率回归在iris数据集上一对一分类，用投票法确定最终类别
'''

import numpy as np
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

iris = datasets.load_iris()
#读取数据

sc = StandardScaler()
sc.fit(iris.data)
sdata = sc.transform(iris.data)
# 数据标准化，将特征值减去平均值再除以极差

def sigmoid(z):
    return 1.0 / (1 + np.exp(-z))

b=np.ones((len(sdata),1))
sdata = np.c_[b,sdata]
data=np.zeros((3,100,5))
data[0]=sdata[:100]
data[1]=sdata[50:]
data[2][:50]=sdata[:50]
data[2][50:]=sdata[100:150]
labels=np.ones((100,1))
labels[:50]=0
labels=np.tile(labels,(3,1,1))        #数据集按类别标号分成两两一组

w=np.ones((3,5,1))
e=0.01

for n in range(3):
    for i in range(10000):
        y = sigmoid(data[n].dot(w[n]))
        m = y-labels[n]
        w[n] = w[n]-data[n].transpose().dot(m)*e     #分别训练3个一对一分类模型
    #print(np.argwhere(abs(m)>0.5))


vote=np.zeros((150,3))
m=np.array([[[0,1,0],[1,-1,0]],[[0,0,1],[0,1,-1]],[[0,0,1],[1,0,-1]]])
for i in range(3):
    y = sigmoid(sdata.dot(w[i]))
    l=np.argwhere(y<0.5)
    vote=vote+m[i][0] 
    vote[l]+=m[i][1]                #对所有数据用三个模型进行分类，每次分到的类别票数加一

lab=np.argmax(vote,axis=1)          #选择得票数最多的类别
l=list(lab-iris.target).count(0)
print('数据集类别：')
print(iris.target)
print('预测类别：')
print(lab)
print('训练集精度：%.2f%%'%(l/1.5))

数据集类别：
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2]
预测类别：
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2]
训练集精度：98.67%