前言
- 蛋肥計(jì)劃搭建基礎(chǔ)的邏輯回歸模型。
準(zhǔn)備
時(shí)間：2021/06/30
系統(tǒng)環(huán)境：Windows 10
所用工具：Jupyter Notebook\Python 3.0
涉及的庫：pandas\train_test_split\LogisticRegression\accuracy_score\classification_report
搭建邏輯回歸模型
蛋肥想法：數(shù)據(jù)集來源于阿里云天池，對(duì)魚的種類進(jìn)行邏輯回歸分類。
#讀取數(shù)據(jù)集
import pandas as pd
df=pd.read_csv(r"C:\Users\Archer\Desktop\Fish.csv")
#選取自變量、因變量
X=df.drop(columns="Species")
Y=df["Species"]
#劃分訓(xùn)練集、測(cè)試集，測(cè)試集占20%
from sklearn.model_selection import train_test_split
X_train,X_test,Y_train,Y_test=train_test_split(X,Y,test_size=0.2,random_state=1)
#搭建邏輯回歸模型
from sklearn.linear_model import LogisticRegression
regr=LogisticRegression()
regr.fit(X_train,Y_train)
獲取預(yù)測(cè)準(zhǔn)確度
蛋肥想法：通過測(cè)試集數(shù)據(jù)，檢驗(yàn)魚種類預(yù)測(cè)準(zhǔn)確度，測(cè)得準(zhǔn)確度為75%。
#預(yù)測(cè)結(jié)果評(píng)分
from sklearn.metrics import accuracy_score
Y_pred=regr.predict(X_test)
score=accuracy_score(Y_pred,Y_test)
print(str(score))
獲取預(yù)測(cè)概率
蛋肥想法：邏輯回歸模型的本質(zhì)是預(yù)測(cè)概率，而不是直接預(yù)測(cè)具體類別，通過代碼更直觀地觀察測(cè)試集數(shù)據(jù)的概率分布情況。
#預(yù)測(cè)概率，regr.classes_為每個(gè)位置的概率分別對(duì)應(yīng)的類別標(biāo)簽
Y_pred_=regr.predict_proba(X_test)
data=pd.DataFrame(Y_pred_,columns=list(regr.classes_))
獲取邏輯回歸系數(shù)
print(str(regr.coef_[0]))
print(str(regr.intercept_))
獲取模型命中率
#模型命中率
from sklearn.metrics import classification_report
print(classification_report(Y_test,Y_pred))
總結(jié)
- 如果要對(duì)離散變量進(jìn)行預(yù)測(cè)，則要使用分類模型，分類模型與回歸模型的區(qū)別在于其預(yù)測(cè)的變量不是連續(xù)的，而是離散的一些類別。
