基于Python的Linear classification实验报告

╰半橙微兮° 2024-04-07 16:02 96阅读 0赞

## Linear classification实验报告 ##

### 一、数据处理 ###

本次实验数据集为 Breast cancer dataset

通过sklearn.datasets获取数据

cancer = load_breast_cancer()
    cancer_x=cancer.data
    cancer_y=cancer.target

查看数据大小即部分数据：

print("加载完毕，数据大小：")
    print(cancer_x.shape)
    print(cancer_y.shape)
    print("前5个数据：")
    for i in range(5):
    print(cancer_x[i],cancer_y[i])

![在这里插入图片描述][94ac66a4fe63457b911381b041b187df.png]

breast cancer 的影响因素有30个，结果为0,1，表示是否患病

对数据进行拆分, test\_size=0.2：

`x_train,x_test,y_train, y_test=train_test_split(cancer_x,cancer_y,test_size=0.3)`

### 二、算法 ###

用到 logistic regression 算法

logistic sigmoid function

![在这里插入图片描述][9e9d542862da416f903f3afc555400cc.png]  
![在这里插入图片描述][b2209dae3db2471c992df9841201e8da.png]

函数图形，结果若大于0.5，归类为1，若小于0.5，归类为0

![在这里插入图片描述][154e8be5f0eb4fa990c150818146459d.png]

the likelihood function

![在这里插入图片描述][d6aefc2681c74f97a7aeb749914681b3.png]

the error function  
![在这里插入图片描述][07a427dc32ba4fb98ac539896d0719d2.png]

用梯度下降算法求出误差最小的w

### 三、模型 ###

1.  加载数据，并按比例分割成训练集，测试集
2.  选择模型`LogisticRegression`
3.  用训练集数据训练模型
4.  用模型计算测试集数据的结果
5.  计算预测结果与真实结果的正确率

### 四、结果 ###

![在这里插入图片描述][2001d3f921934855b3afce03ac0559bf.png]

模型判断准确率为0.974左右，准确率很高，说明LogisticRegression模型效果很好

[94ac66a4fe63457b911381b041b187df.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/07/fbbbe5dd589f4a37ac59415bf0be0c3e.png
[9e9d542862da416f903f3afc555400cc.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/07/6d4befd0b56541b796628761b57edf68.png
[b2209dae3db2471c992df9841201e8da.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/07/386ede4298a3418b945bf01b754b4770.png
[154e8be5f0eb4fa990c150818146459d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/07/fa24ac65912c4611851b311f981146c0.png
[d6aefc2681c74f97a7aeb749914681b3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/07/34596600055c441cad5869b35f4e0151.png
[07a427dc32ba4fb98ac539896d0719d2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/07/5f42cf2ad3ed4af0ad74f772b4fde3cc.png
[2001d3f921934855b3afce03ac0559bf.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/07/ef38e7d6fd54443db71bb061c42f9bfe.png