AI人工智能 邏輯回歸

基本上，邏輯回歸模型是監(jiān)督分類算法族的成員之一。 Logistic 回歸通過使用邏輯函數(shù)估計概率來測量因變量和自變量之間的關(guān)系。

在這里，如果我們討論依賴變量和獨立變量，那么因變量就是要預(yù)測的目標類變量，另一方面，自變量是用來預(yù)測目標類的特征。

在邏輯回歸中，估計概率意味著預(yù)測事件的可能性發(fā)生。例如，店主想要預(yù)測進入商店的顧客將購買游戲站(例如)或不購買。顧客將會觀察到許多顧客的特征 - 性別，年齡等，以便預(yù)測可能性的發(fā)生，即購買游戲站或不購物。邏輯函數(shù)是用來構(gòu)建具有各種參數(shù)的函數(shù)的 S 形曲線。

前提條件

在使用邏輯回歸構(gòu)建分類器之前，我們需要在系統(tǒng)上安裝 Tkinter 軟件包。 它可以從 此處 進行安裝。

現(xiàn)在，在下面給出的代碼的幫助下，可以使用邏輯回歸來創(chuàng)建分類器 -

首先，導(dǎo)入一些軟件包 -

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

現(xiàn)在，需要定義可以完成的樣本數(shù)據(jù)，如下所示 -

X = np.array([[2, 4.8], [2.9, 4.7], [2.5, 5], [3.2, 5.5], [6, 5], [7.6, 4],
              [3.2, 0.9], [2.9, 1.9],[2.4, 3.5], [0.5, 3.4], [1, 4], [0.9, 5.9]])
y = np.array([0, 0, 0, 1, 1, 1, 2, 2, 2, 3, 3, 3])

接下來，我們需要創(chuàng)建邏輯回歸分類器，可以按如下方式完成 -

Classifier_LR = linear_model.LogisticRegression(solver = 'liblinear', C = 75)

最后但重要的是，我們需要訓(xùn)練這個分類器 -

Classifier_LR.fit(X, y)

現(xiàn)在，我們?nèi)绾慰梢暬敵觯?可以通過創(chuàng)建一個名為Logistic_visualize()的函數(shù)來完成 -

Def Logistic_visualize(Classifier_LR, X, y):
   min_x, max_x = X[:, 0].min() - 1.0, X[:, 0].max() + 1.0
   min_y, max_y = X[:, 1].min() - 1.0, X[:, 1].max() + 1.0

在上面的行中，我們定義了在網(wǎng)格中使用的最小值和最大值 X和 Y。另外，還將定義繪制網(wǎng)格的步長。

mesh_step_size = 0.02

下面定義 X 和 Y 值的網(wǎng)格，如下所示 -

x_vals, y_vals = np.meshgrid(np.arange(min_x, max_x, mesh_step_size),
                 np.arange(min_y, max_y, mesh_step_size))

使用以下代碼，可以在網(wǎng)格網(wǎng)格上運行分類器 -

output = classifier.predict(np.c_[x_vals.ravel(), y_vals.ravel()])
output = output.reshape(x_vals.shape)
plt.figure()
plt.pcolormesh(x_vals, y_vals, output, cmap = plt.cm.gray)


plt.scatter(X[:, 0], X[:, 1], c = y, s = 75, edgecolors = 'black', 
linewidth=1, cmap = plt.cm.Paired)

以下代碼行將指定圖的邊界 -

plt.xlim(x_vals.min(), x_vals.max())
plt.ylim(y_vals.min(), y_vals.max())
plt.xticks((np.arange(int(X[:, 0].min() - 1), int(X[:, 0].max() + 1), 1.0)))
plt.yticks((np.arange(int(X[:, 1].min() - 1), int(X[:, 1].max() + 1), 1.0)))
plt.show()

現(xiàn)在，在運行代碼之后，我們將得到以下輸出，邏輯回歸分類器 -