【数据挖掘】逻辑Logistic回归在鸢尾花数据集中讲解及实战（超详细附源码）

绝地灬酷狼 2023-09-30 18:36 2阅读 0赞

> **需要源码请点赞关注收藏后评论区留言并且私信~~~**

线性回归算法能对连续值的结果进行预测，而逻辑回归模型是机器学习从统计领域借鉴的另一种技术，用于分析二分类或有序的因变量与解释变量之间的关系

逻辑回归算法是一种广义的线性回归分析方法，它仅在线性回归算法的基础上，利用Sigmoid函数对事件发生的概率进行预测。也就是说，在线性回归中可以得到一个预测值，然后将该值通过逻辑函数进行转换，将预测值转为概率值，再根据概率值实现分类。逻辑回归常用于数据挖掘、疾病自动诊断和经济预测等领域

## Logistic回归模型 ##

逻辑回归与线性回归类似，因为二者的目标都是找出每个输入变量的权重值，与线性回归不同的是，输出的预测值需要使用逻辑函数的非线性函数进行变换，逻辑函数即Sigmoid函数，能将任意值转换为0-1的范围内

![e6732c18bc544965882428df31c402e4.png][]

![dc3ac8cd2dca4aebab62c2338a3dc8a2.png][]

## 二、逻辑回归在鸢尾花数据集中实战 ##

首先导入相关包和数据

![2e569ad5d98a4349b43e44252f2148c6.png][]

接着划分训练集和测试机并进行归一化

![eeb58e3943dd408aaa291c44addd0a23.png][]

接着训练逻辑回归模型并对测试机进行预测

![f417274c6cb044e3a3b7c65cdb5c1d43.png][]

可见分类器的精度大概在百分之八十一左右

部分代码如下

from sklearn.datasets import load_iris
    X = load_iris().data
    y = load_iris().target
    print('前8条数据:\n',X[:8])
    print('前8条数据对应的类型：',y[:8])
    from
    from sklearn.preprocessing import StandardScaler
    sc = StandardScaler()
    X_train = sc.fit_transform(X_train)
    X_test = sc.transform(X_test)
    print(X_train[:5])
    from sklearn.linear_model import LogisticRegression
    classifierrain)
    y_pred = classifier.predict(X_test)
    #用LogisticRegression自带的score获得模型在测试集上的准确性
    print('Accuracy of LR Classifier:%.3f'%classifier.score(X_test,y_test))

**创作不易 觉得有帮助请点赞关注收藏~~~**

[e6732c18bc544965882428df31c402e4.png]: https://img-blog.csdnimg.cn/e6732c18bc544965882428df31c402e4.png
[dc3ac8cd2dca4aebab62c2338a3dc8a2.png]: https://img-blog.csdnimg.cn/dc3ac8cd2dca4aebab62c2338a3dc8a2.png
[2e569ad5d98a4349b43e44252f2148c6.png]: https://img-blog.csdnimg.cn/2e569ad5d98a4349b43e44252f2148c6.png
[eeb58e3943dd408aaa291c44addd0a23.png]: https://img-blog.csdnimg.cn/eeb58e3943dd408aaa291c44addd0a23.png
[f417274c6cb044e3a3b7c65cdb5c1d43.png]: https://img-blog.csdnimg.cn/f417274c6cb044e3a3b7c65cdb5c1d43.png