本篇内容主要讲解“python Logistic回归怎么实现”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“python Logistic回归怎么实现”吧!
不要被它的名字弄糊涂！它是一种分类而非回归算法。它用于根据给定的自变量集估计离散值（二进制值，如0/1，yes/no，true/false）。简单来说，它通过将数据拟合到logit函数来预测事件发生的概率。因此，它也被称为logit回归。由于它预测概率，因此其输出值介于0和1之间（如预期的那样）。
再次，让我们通过一个简单的例子来尝试理解这一点。
假设你的朋友给你一个难题来解决。只有2个结果场景 - 要么你解决它，要么你没解决。现在想象一下，你正在获得各种各样的谜题/测验，试图了解你擅长哪些科目。这项研究的结果将是这样的 - 如果给你一个基于三角测量的十年级问题，你有70％的可能解决它。另一方面，如果是第五级历史问题，获得答案的概率仅为30％。这就是Logistic回归为您提供的。
在数学领域，结果的对数几率被建模为预测变量的线性组合：
odds= p/ (1-p) = probability of event occurrence / probability of not event occurrence
ln(odds) = ln(p/(1-p))
logit(p) = ln(p/(1-p)) = b0+b1X1+b2X2+b3X3....+bkXk以上，p是存在感兴趣特征的概率。它选择的参数最大化观察样本值的可能性，而不是最小化误差平方和（如普通回归）。
现在，您可能会问，为什么要使用log函数？为简单起见，我们只是说这是复制步进函数的最佳数学方法之一。我可以详细介绍，但这会超出本文的目的。
来看使用python的scikit-learn完成的Logistic回归案例：
# ## 使用Scikit-learn的LogisticRegression完成测试案例# In[30]:import pandas as pdfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import accuracy_score# ### 读取训练数据和测试数据集# In[31]:train_data = pd.read_csv('train-data.csv')test_data = pd.read_csv('test-data.csv')print(train_data.head())# ### 打印训练数据和测试数据形状# In[32]:print('Shape of training data :',train_data.shape)print('Shape of testing data :',test_data.shape)# In[33]:#现在，我们需要预测测试数据中缺少的目标变量# target变量 - Survived#在训练数据上分离独立变量和目标变量train_x = train_data.drop(columns=['Survived'],axis=1)train_y = train_data['Survived']#在测试数据上分离独立变量和目标变量test_x = test_data.drop(columns=['Survived'],axis=1)test_y = test_data['Survived']model = LogisticRegression(solver='liblinear')model.fit(train_x,train_y)# In[34]:#训练模型的系数print('Coefficient of model :', model.coef_)#拦截模型print('Intercept of model',model.intercept_)# In[35]:# 预测训练数据集predict_train = model.predict(train_x)# 训练数据集得分accuracy_train = accuracy_score(train_y,predict_train)print('accuracy_score on train dataset : ', accuracy_train)# In[36]:# 预测测试数据集predict_test = model.predict(test_x)# 测试数据集得分accuracy_test = accuracy_score(test_y,predict_test)print('accuracy_score on test dataset : ', accuracy_test)到此，相信大家对“python Logistic回归怎么实现”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
