Python之羅吉斯迴歸

標籤：learn   shape   res   import   i+1   lib   otl   param   lin   

代碼：

 1 import numpy as np 2 from sklearn import datasets 3 from sklearn.linear_model import LogisticRegression 4 import matplotlib.pyplot as plt 5  6 __author__ = ‘zhen‘ 7  8 iris = datasets.load_iris() 9 10 for i in range(0, 4):11     x = iris[‘data‘][:, i:i+1]  # 擷取訓練資料12     y = iris[‘target‘]13 14     param_grid = {"tol": [1e-4, 1e-3, 1e-2], "C": [0.4, 0.6, 0.8]}15 16     log_reg = LogisticRegression(multi_class=‘ovr‘, solver=‘sag‘, max_iter=1000)  # ovr:二分類17     log_reg.fit(x, y)18 19     # 改變資料的樣式，reshape(rows, columns)，當rows=-1時，表示任意行20     x_new = np.linspace(0, 3, 1000).reshape(-1, 1)21 22     y_proba = log_reg.predict_proba(x_new)23     y_hat = log_reg.predict(x_new)24 25     print("y_prob:\n{}\ny_hat\n{}".format(y_proba, y_hat[:: 10]))26     print("="*60)27 28     # 畫圖29     plt.subplot(2, 2, i+1)30     plt.plot(x_new, y_proba[:, 2], ‘g-‘, label=‘Iris-Virginica‘)31     plt.plot(x_new, y_proba[:, 1], ‘r-‘, label=‘Iris-Versicolour‘)32     plt.plot(x_new, y_proba[:, 0], ‘b-‘, label=‘Iris-Setosa‘)33 34     if i == 3:35         plt.show()

結果：

　　訓練1：

　　

　　訓練2：

　　

　　訓練3：

　　

　　訓練4：

　　

分析：

　　有訓練結果可知，訓練4最具有合理性（分類清晰）：

　　

 

Python之羅吉斯迴歸