分类加权逻辑回归代码python

以下是一个分类加权逻辑回归的Python代码示例：

import numpy as np
from sklearn.linear_model import LogisticRegression

class WeightedLogisticRegression:
    def __init__(self, n_classes, weights=None):
        self.models = [LogisticRegression() for _ in range(n_classes)]
        self.n_classes = n_classes
        self.weights = weights if weights is not None else np.ones(n_classes)

    def fit(self, X, y):
        for i in range(self.n_classes):
            self.models[i].fit(X, y[:, i], sample_weight=self.weights[i] * y[:, i].sum())

    def predict(self, X):
        preds = np.zeros((X.shape[0], self.n_classes))
        for i in range(self.n_classes):
            preds[:, i] = self.models[i].predict_proba(X)[:, 1]
        return preds

# 示例
X = np.random.rand(100, 5)
y = np.random.randint(0, 2, (100, 3))
clf = WeightedLogisticRegression(n_classes=3, weights=[1, 2, 3])
clf.fit(X, y)
preds = clf.predict(X)
print(preds)

在上面的代码中，我们首先导入了必要的库，然后创建了一个 `WeightedLogisticRegression` 类，它包含了多个逻辑回归模型，每个模型用于预测一个类别。我们的目标是根据权重对模型进行加权，以便在多分类问题中更好地处理类别不平衡的情况。

在 `fit` 方法中，我们为每个模型拟合数据，使用每个类别的特定权重进行加权。

在 `predict` 方法中，我们对每个模型预测类别概率，然后将它们合并成一个概率矩阵，其中每一行对应于测试样本，每一列对应于一个类别。

最后，我们使用示例数据对模型进行了测试，并输出了预测结果。