📅  最后修改于: 2023-12-03 15:21:39.526000             🧑  作者: Mango
逻辑回归是一种用于分类问题的统计学习方法,可以用来预测二分类和多分类的问题。逻辑回归使用的是一种称为 sigmoid 函数的特殊函数将线性函数映射到概率值。
在Python中实现逻辑回归,通常使用 scikit-learn 库。使用该库,您可以通过以下步骤创建逻辑回归模型:
以下代码片段展示了如何使用 scikit-learn 库实现逻辑回归模型:
# 导入所需的库
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import pandas as pd
# 加载数据
data = pd.read_csv('data.csv')
# 准备特征和标签
X = data.iloc[:,:-1]
y = data.iloc[:,-1]
# 拆分数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)
# 创建逻辑回归模型并训练
model = LogisticRegression()
model.fit(X_train, y_train)
# 使用模型进行预测
y_pred = model.predict(X_test)
# 计算准确性
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(accuracy*100))
在此示例中,我们首先导入所需的库。然后加载数据并将其准备为特征和标签,拆分训练和测试数据集,创建逻辑回归模型并训练,使用模型进行预测并计算准确性。最后,输出准确性评分。
逻辑回归是一种用于分类问题的强大方法。在 Python 中,我们可以使用 scikit-learn 库来轻松地创建逻辑回归模型。使用上述代码片段,您可以轻松创建和训练逻辑回归模型,并计算其准确性。