[PYTHON] Logistische Regression beim maschinellen Lernen
○ Die Hauptpunkte dieses Artikels Beachten Sie, dass ich die logistische Regression gelernt habe
Logistische Rendite: ・ Algorithmus zur Vorhersage von Klassifizierungsproblemen (Es heißt Regression, wird aber bei der Klassifizierung verwendet.) ・ Die Klassifizierung erfolgt durch Berechnung der Wahrscheinlichkeit, dass die Daten zu jeder Klasse gehören. (Ausgaben wie Klasse 1: 0,3, Klasse 2: 0,5, Klasse 3: 0,2) ・ Mit dem Lehrer lernen
○ Quellcode (Python)
Logistisches Regressionsmodell
#Logistische Rückgabe
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import mean_squared_error
from sklearn.metrics import r2_score
#Irisdaten laden
data = load_iris()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = pd.DataFrame(data.target, columns=["Species"])
df #Irisdaten anzeigen
・ ・ ・ ・ ・ ・ ・ ・ ・ ・
Vier quantitative Variablen: Sepal.Length (Länge des Stücks), Sepal.Width (Breite des Stücks), Petal.Length (Länge des Blütenblatts), Petal.Width (Breite des Blütenblatts) Arten (3 Arten von Samen, Setosa, Versicolor, Virginica)
○ Quellcode (Python)
Logistisches Regressionsmodell (Fortsetzung)
#Erstellung, Schulung und Vorhersage logistischer Regressionsmodelle
model = LogisticRegression()
model.fit(X, y)
y_pred = model.predict(X)
print(y_pred) #Voraussichtliche Ergebnisse für 150 Irisdaten
#Modellbewertung
print(mean_squared_error(y, y_pred)) #Durchschnittlicher quadratischer Fehler. Je kleiner desto besser
print(r2_score(y, y_pred)) #Entscheidungsfaktor. Je größer der Wert zwischen 0 und 1 ist, desto besser
Ausführungsergebnis [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2] 0.02666666666666667 0.96
・ Ich denke, es ist das am einfachsten zu verstehende Modell für das Klassifizierungsproblem. ・ Über das Ergebnis 1, das gelegentlich erscheint, wenn 1s aufgereiht sind 1 und 1, das gelegentlich erscheint, wenn 1s aufgereiht sind, stimmen nicht mit der richtigen Antwort und Vorhersage überein.
Recommended Posts