逻辑回归

逻辑回归方程


可以根据改图进行分类

代价函数

正则化代价函数

求导过程

拟合程度标准

1. 正确率：正确数量 / 所得数量
2. 召回率：所的数量 / 样本的总正确数量
3. F1值：正确率 * 召回率 * 2 / (正确率 + 召回率)

   F-Score是最常用的解决正确率和召回率矛盾的方法，当β=1时，即为F1值

   

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

data = np.genfromtxt('E:/project/python/data/csv/LR-testSet.csv', delimiter=',')
x_data = data[:, :-1]
y_data = data[:, -1]


def plot():
    x0 = []
    x1 = []
    y0 = []
    y1 = []
    for i in range(len(x_data)):
        if y_data[i] == 0:
            x0.append(x_data[i, 0])
            y0.append(x_data[i, 1])
        else:
            x1.append(x_data[i, 0])
            y1.append(x_data[i, 1])
    scatter0 = plt.scatter(x0, y0, c='b', marker='o')
    scatter1 = plt.scatter(x1, y1, c='r', marker='x')
    plt.legend(handles=[scatter0, scatter1], labels=['label0', 'label1'], loc='best')


logistic = linear_model.LogisticRegression()
logistic.fit(x_data, y_data)
plot()
x_test = np.array([[-4], [3]])
y_test = (-logistic.intercept_ - x_test * logistic.coef_[0][0]) / logistic.coef_[0][1]
plt.plot(x_test, y_test, 'k')
plt.show()

本作品采用《CC 协议》，转载必须注明作者和本文链接