[PYTHON] Régression logistique d'apprentissage automatique
○ Les principaux points de cet article Notez que j'ai appris la régression logistique
Retour logistique: ・ Algorithme de prédiction des problèmes de classification (Cela s'appelle la régression, mais c'est utilisé dans la classification) ・ La classification est effectuée en calculant la probabilité que les données appartiennent à chaque classe. (Sorties telles que classe 1: 0,3, classe 2: 0,5, classe 3: 0,2) ・ Apprendre avec l'enseignant
○ Code source (Python)
Modèle de régression logistique
#Retour logistique
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
#Charger les données d'iris
data = load_iris()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = pd.DataFrame(data.target, columns=["Species"])
df #Afficher les données d'iris
・ ・ ・ ・ ・ ・ ・ ・ ・ ・
Quatre variables quantitatives: Sepal.Length (longueur de la pièce), Sepal.Width (largeur de la pièce), Petal.Length (longueur du pétale), Petal.Width (largeur du pétale) Espèce (3 types de graines, setosa, versicolor, virginica)
○ Code source (Python)
Modèle de régression logistique (suite)
#Création, formation et prédiction de modèles de régression logistique
model = LogisticRegression()
model.fit(X, y)
y_pred = model.predict(X)
print(y_pred) #Résultats prévus pour 150 données d'iris
#Évaluation du modèle
print(mean_squared_error(y, y_pred)) #Erreur quadratique moyenne. Le plus petit sera le mieux
print(r2_score(y, y_pred)) #Facteur de décision. Plus la valeur entre 0 et 1 est élevée, mieux c'est
Résultat d'exécution [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
・ Je pense que c'est le modèle le plus facile à comprendre dans le problème de classification. ・ À propos du résultat L'endroit où 1 est parfois aligné et l'endroit où 1 et 2 sont alignés apparaissent parfois où 1 est la bonne réponse et la prédiction ne correspond pas.
Recommended Posts