机器学习 人工智能 Iris鸢尾花数据集的逻辑回归分析

逻辑回归分析(Logistic Regression)是一种用于解决二分类(0 or 1)问题的机器学习方法，是一种广义的线性回归分析模型。 逻辑回归的原理是在线性回归的基础上加了一个Sigmoid函数(非线性)映射，即把线性回归函数的结果y,放到Sigmod函数中去。逻辑回归解决分类问题，输出离散值，而线性回归解决回归问题，输出连续值。

[关键技术]逻辑回归，调用sklearn.linear_ model模块的LogisticRegression模型; 生成二维或三维网格矩阵，调用函数meshgrid();

可参考(20条消息) python使用meshgrid绘制网格_爱打羽毛球的小怪兽的博客-CSDN博客绘制具有非规则矩形网格的伪彩色图，调用函数pcolormesh()。此函数会自动在上述的网格的网格矩阵中填充颜色，我们可以在pcolormesh的参数对颜色等进行指定。

鸢尾花数据集共收集了三类驾尾花，即Setosa鸢尾花、Versicolour鸢尾花、Virginica驾尾花，每一-类鸢尾花收集50条样本记录，共150条。数据表中，前四列为花萼长度，花萼宽度，花瓣长度，花瓣宽度等4个用于识别鸢尾花的属性，第5列为鸢尾花的类别。

import matplotlib.pyplot as plt

import numpy as np

from sklearn.datasets import load_iris

from sklearn.linear_model import LogisticRegression

iris=load_iris()

X=iris.data[:,:2]

Y=iris.target

lr=LogisticRegression()

lr.fit(X,Y)

x_min,x_max=X[:,0].min()-0.5,X[:,0].max()+0.5

y_min,y_max=X[:,1].min()-0.5,X[:,1].max()+0.5

xx,yy=np.meshgrid(np.arange(x_min,x_max,0.02),np.arange(y_min,y_max,0.02))

Z=lr.predict(np.c_[xx.ravel(),yy.ravel()])# ravel是将数组变为一维数组，np.c_是将两个数组进行连接 

Z=Z.reshape(xx.shape)

plt.figure(1,figsize=(8,6))

plt.pcolormesh(xx,yy,Z,cmap=plt.cm.Paired,shading='auto')

plt.scatter(X[:50,0],X[:50,1],color='red',marker='o',label='setosa')

plt.scatter(X[50:100,0],X[50:100,1],color='blue',marker='^',label='versicolor')

plt.scatter(X[100:,0],X[100:,1],color='green',marker='*',label='svirginica')

plt.xlabel('Sepal length')

plt.ylabel('Sepal width')

plt.xlim(xx.min(),xx.max())

plt.ylim(yy.min(),yy.max())

plt.xticks(())

plt.xticks(())

plt.legend(loc=2)

plt.show()

查看原文

相关知识

机器学习 人工智能 Iris鸢尾花数据集的逻辑回归分析
机器学习：鸢尾花数据集
《机器学习》分析鸢尾花数据集
鸢尾花数据集深度分析：机器学习的入门实践
机器学习算法其一：鸢尾花数据集逻辑回归分类预测学习总结
【机器学习】利用逻辑回归对iris鸢尾花数据集进行分类
分析鸢尾花数据集
python鸢尾花数据集的分类问题 -- 逻辑回归问题研究
基于鸢尾花（iris）数据集的逻辑回归分类实践
机器学习鸢尾花数据集

网址: 机器学习 人工智能 Iris鸢尾花数据集的逻辑回归分析 https://www.huajiangbk.com/newsview2289526.html