【机器学习】【逻辑回归】Python使用sklearn实战演练逻辑回归算法

概念

逻辑回归主要用于解决经典二分类问题

几乎所有的分类问题都可以使用逻辑回归来实现 相对于神经网络与支持向量机其内部含义更好解释 不会和一个黑箱一般难以解释 解释性较强

虽然是回归但最终依旧是分类问题，因为所使用的Sigmoid函数可以将数值转为概率后再进行判断其类别

针对于单特征使用逻辑回归模型【鸢尾花数据集】

1、获取鸢尾花数据集

'''获取鸢尾花数据集'''
##加载sklearn内置数据集
from sklearn  import datasets
iris=datasets.load_iris()##加载鸢尾花数据集
##打印当前数据集详细说明以及对于每个特征的最小值、最大值、均值等  数据集的来源等
print(iris.DESCR)
##知道其中有哪些属性可以调用
print(list(iris.keys()))
##将其中一个特征来演示标签的样式
X=iris['data'][:,3:]
y=(iris['target']==2).astype(np.int)##将是该标签的转为1 不是的转为0

2、对单个特征使用逻辑回归模型

'''使用逻辑回归模型'''
from sklearn.linear_model import LinearRegression

log_res = LinearRegression()
##训练模型
log_res.fit(X, y)

'''构建测试数据'''
X_new = np.linspace(0, 3, 1000).reshape(-1, 1)
##为了使得可视化方便 此处需要预测得到的是概率值 而非结果值
y=log_