逻辑回归分类Sklearn的make_moon数据集

最新推荐文章于 2025-02-19 15:42:42 发布

原创

最新推荐文章于 2025-02-19 15:42:42 发布 · 1.6k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #逻辑回归 #深度学习

本文通过代码展示了如何利用Sklearn库中的make_moon函数生成非线性可分数据，并应用逻辑回归进行分类。通过实例详细讲解了数据生成到模型训练的全过程。

直接上代码

from sklearn.datasets import make_moons
from numpy import *
import numpy as np
import operator
from os import listdir
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
#创建数据集
x, y = make_moons(n_samples=200, noise=0.15, random_state=0)
# Max-Min标准化
# 建立MinMaxScaler对象
# minmax = preprocessing.MinMaxScaler()
# # 标准化处理
# data_minmax = minmax.fit_transform(x)
# MaxAbs标准化
# # 建立MinMaxScaler对象
minmax= preprocessing.MaxAbsScaler()
# 标准化处理
data_minmax  = minmax.fit_transform(x)

m, n = shape(data_minmax)
w = ones((1,1))

data_minmax = np.insert(data_minmax, 0, values=w, axis=1)

# print(data_maxabs)
x_train, x_test, y_train, y_test = train_test_split(