python 实现LDA二分类

最新推荐文章于 2023-06-21 20:56:24 发布

原创最新推荐文章于 2023-06-21 20:56:24 发布 · 844 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#python #分类 #机器学习

Python 同时被 2 个专栏收录

18 篇文章

订阅专栏

机器学习

10 篇文章

订阅专栏

本文介绍了一种使用逻辑回归对脑图谱数据进行分类的方法。通过加载特定格式的大脑特征数据集，并采用标准化处理来提高模型的泛化能力，最终实现了对大脑特征的有效分类。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch
from getData import loadFeatur,loadFeatureByCorrNum,loadFeatureByNorm

from torch_geometric.data import DataLoader
from GCNmodel import GCN,GNN,createGNNdataset
import numpy as np
import random
print("\n---------Starting to load Data---------\n")
# giftedData,commonData,allData=loadFeatureByCorrNum()
giftedData,commonData,allData=loadFeatureByNorm(rootFile='F:/HCP_data/',kind='aparc.a2009s')
# giftedData,commonData,allData=loadFeatureByNorm(rootFile='D:/HCP1200/')
# train_dataset = allData[:300]
# test_dataset = allData[300:]
train_dataset=giftedData[:100]+commonData[:100]#list
test_dataset=giftedData[100:]+commonData[100:]

#####LDA
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

X=[x[0] for x in train_dataset]
y_train=[y[1] for y in train_dataset]
X=np.array(X)
x_train=np.resize(X,(len(train_dataset),9*148))

X_=[x[0] for x in test_dataset]
y_test=[y[1] for y in test_dataset]
X_=np.array(X_)
x_test=np.resize(X_,(len(test_dataset),9*148))

# 进行标准化处理   因为目标结果经过sigmoid函数转换成了[0,1]之间的概率，所以目标值不需要进行标准化。
std = StandardScaler()
x_train = std.fit_transform(x_train)
x_test = std.transform(x_test)
# 逻辑回归预测
lg = LogisticRegression(C=1.0)  # 默认使用L2正则化避免过拟合，C=1.0表示正则力度(超参数，可以调参调优)
lg.fit(x_train, y_train)
# 回归系数
print(lg.coef_)  # [[1.12796779  0.28741414  0.66944043 ...]]
# 进行预测
y_predict = lg.predict(x_test)
print("准确率：", lg.score(x_test, y_test))#0.5159574468085106