这篇文章主要介绍“Python垃圾邮件的逻辑回归分类示例分析”,在日常操作中,相信很多人在Python垃圾邮件的逻辑回归分类示例分析问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”Python垃圾邮件的逻辑回归分类示例分析”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!
按以下要求处理数据集
(1)分离出仅含特征列的部分作为 X 和仅含目标列的部分作为 Y。
(2)将数据集拆分成训练集和测试集(70%和 30%)。
建立逻辑回归模型
分别用 LogisticRegression 建模。
结果比对
(1)输出测试集前 5 个样本的预测结果。
(2)计算模型在测试集上的分类准确率(=正确分类样本数/测试集总样本数)
(3)从测试集中找出模型不能正确预测的样本。
(4)对参数 penalty 分别取‘l1', ‘l2', ‘elasticnet', ‘none',对比它们在测试集上的预测性能(计算 score)。
拆分特征值和目标数据前面已经可知,预测和模型得分结果也是直接使用模型的方法,下面主要是要测试准确率和找出不能正确预测的样本,以及不同的惩罚下的模型得分,主要运用到Numpy模块和列表list的函数,代码如下:
y_train_pred = model.predict(x_train) # In[26]: train_accu = np.equal(y_train,y_train_pred) print(y_train.shape,y_train_pred.shape) # In[27]: #计算模型在测试集上的分类准确率(=正确分类样本数/测试集总样本数) accuracy = list(train_accu).count(True)/len(list(y_train)) print("准确率为"+"%f"%float(accuracy*100)+"%") # In[28]: #从测试集中找出模型不能正确预测的样本。 test_accu = list(np.equal(y_pred,y_test)) i = 0 len_test = len(test_accu) False_index = [] [False_index.append(i) for i in range(0,len_test) if test_accu[i]==False] print(x_test[False_index]) # In[29]: #对参数 penalty 分别取‘l1', ‘l2', ‘elasticnet', ‘none',对比它们在测试集上的预测性能(计算 score)。 model2 = LogisticRegression(multi_class='ovr',penalty='l1',max_iter=10000,solver='saga').fit(x_train, y_train) print("penalty='l1'"+'的得分:', model2.score(x_test, y_test)) # In[33]: #对参数 penalty 分别取‘l1', ‘l2', ‘elasticnet', ‘none',对比它们在测试集上的预测性能(计算 score)。 model2 = LogisticRegression(multi_class='ovr',penalty='l2',max_iter=10000).fit(x_train, y_train) print("penalty='l2'"+'的得分:', model2.score(x_test, y_test)) # In[31]: model4 = LogisticRegression(multi_class='ovr',penalty='elasticnet',max_iter=10000,solver='saga',l1_ratio=0).fit(x_train, y_train) #模型建立产生一些参数的问题一般都是sklearn的版本问题,要是忽略,就升级更新一下版本就好了solver指定penalty参数的范围 print("penalty='elasticnet'"+'的得分:', model4.score(x_test, y_test)) # In[32]: model5 = LogisticRegression(multi_class='ovr',penalty='none',max_iter=10000,solver='lbfgs').fit(x_train, y_train) print("penalty='none'"+'的得分:', model5.score(x_test, y_test))
到此,关于“Python垃圾邮件的逻辑回归分类示例分析”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注亿速云网站,小编会继续努力为大家带来更多实用的文章!
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。