sklearn 逻辑回归得到概率

逻辑回归是一个用于解决二分类问题的算法，在机器学习领域有着广泛的应用。在sklearn中，逻辑回归可以通过LogisticRegression类来实现。除了预测输出的分类外，我们还可以通过该类获取概率值，本文将介绍如何通过sklearn逻辑回归得到概率。

数据集

首先，我们需要有一个数据集，以下为一个简单的示例数据集，其中包含两个特征：“x1”和“x2”，以及一个目标变量“y”，它取值为0或1。

import pandas as pd

data = {'x1': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
        'x2': [2, 4, 6, 8, 10, 12, 14, 16, 18, 20],
        'y': [0, 0, 0, 1, 1, 1, 1, 1, 1, 1]}

df = pd.DataFrame(data)

模型训练

接下来，我们需要训练一个逻辑回归模型。在sklearn中，我们可以通过调用LogisticRegression类来实现。

from sklearn.linear_model import LogisticRegression

X = df[['x1', 'x2']].values
y = df['y'].values

lr_model = LogisticRegression()
lr_model.fit(X, y)

用模型预测分类

得到了LogisticRegression模型后，我们可以用它来预测某个数据点所属的类别（0或1）。

# 预测点[3, 6]所属类别
lr_model.predict([[3, 6]])  # 输出array([0])

# 预测点[7, 14]所属类别
lr_model.predict([[7, 14]])  # 输出array([1])

获取预测概率

我们还可以通过调用predict_proba方法来获取预测概率。该方法返回的是一个数组，其中每个元素是一个表示“属于类别1”的概率值。

# 预测点[3, 6]属于类别1的概率值
lr_model.predict_proba([[3, 6]])  # 输出array([[0.68668813, 0.31331187]])

# 预测点[7, 14]属于类别1的概率值
lr_model.predict_proba([[7, 14]])  # 输出array([[0.13984355, 0.86015645]])

总结

通过调用sklearn的LogisticRegression类，我们可以训练一个逻辑回归模型，并用它来预测某个数据点所属的类别，同时还可以通过predict_proba方法获取预测概率。以上便是通过sklearn逻辑回归得到概率的介绍。