8.2 示例:hello world!逻辑回归

我们先演示逻辑回归的基本使用(如图8-2所示),完整演示代码请见本书GitHub上的8-1.py。逻辑回归的核心函数为:


LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='liblinear', max_iter=100, multi_class='ovr', verbose=0, warm_start=False, n_jobs=1) 

图8-2 逻辑回归使用举例

其中比较重要的参数有以下4个。

·random_state:随机种子。

·C:正则化系数,越小正则化程度越高。

·Solver:算法,包括‘newton-cg’‘lbfgs’‘liblinear’‘sag’,默认使用‘liblinear’。

·n_jobs:并发任务数。

加载相关库文件:


import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model, datasets

使用经典的iris数据集合:


iris = datasets.load_iris()
X = iris.data[:, :2]
Y = iris.target

使用逻辑回归训练并预测:


logreg = linear_model.LogisticRegression(C=1e5)
logreg.fit(X, Y)
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = logreg.predict(np.c_[xx.ravel(), yy.ravel()])

将结果可视化:


Z = Z.reshape(xx.shape)
plt.figure(1, figsize=(4, 3))
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired)
plt.scatter(X[:, 0], X[:, 1], c=Y, edgecolors='k', cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.show()