逻辑回归

最新推荐文章于 2025-03-25 16:55:27 发布

淮南草

最新推荐文章于 2025-03-25 16:55:27 发布

阅读量423

点赞数

分类专栏：机器学习

机器学习专栏收录该内容

17 篇文章

订阅专栏

本文深入探讨了逻辑回归算法，基于《机器学习实战》和sklearn库进行了实践，介绍了如何使用sklearn实现逻辑回归并得到预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

学习了机器学习实战和skicit learn上的的逻辑回归算法

logistic.py

'''
Created on 2018年7月28日

@author: hcl
'''
import numpy as np
import time


def loadDataSet():
    dataMat = []; labelMat = []
    fr = open('testSet.txt')
    for line in fr.readlines():
        lineArr = line.strip().split()
        #为方便计算将x0设为1.0
        dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
        labelMat.append(int(lineArr[2]))
    return dataMat,labelMat

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

def gradAscent(dataMatIn, classLabels):
    '''
    梯度上升算法
    dataMatIn:2维NumPy数组 (100x3)
    classLabels:类标签 (1x100)
    '''
    #将输入转换为NumPy矩阵的数据类型
    dataMatrix = np.mat(dataMatIn)
    labelMat = np.mat(classLabels).transpose() 
    m,n = dataMatrix.shape
    #向目标移动的步长
    alpha = 0.001
    #迭代次数
    maxCycles = 500
    weights = np.ones((n,1))
    for k in range(maxCycles):
        h = sigmoid(dataMatrix*weights)
        error = (labelMat - h)