logistic回归python代码

以下是一个简单的使用 Python 和 scikit-learn 库实现逻辑回归的代码示例:

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris

# 加载 iris 数据集
iris = load_iris()
X, y = iris.data, iris.target

# 创建逻辑回归模型
clf = LogisticRegression()

# 训练模型
clf.fit(X, y)

# 预测
y_pred = clf.predict(X)

# 评估准确率
accuracy = clf.score(X, y)
print("Accuracy: ", accuracy)

这段代码使用了 scikit-learn 库中的逻辑回归模型，并使用 iris 数据集进行了简单的训练和预测。

请注意，这只是一个示例，在实际应用中应该使用交叉验证来评估模型的性能。

相关问题

logistic回归 python代码

以下是一个简单的 Logistic 回归的 Python 代码示例：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression

# 生成一些随机数据
X, y = make_classification(n_samples=100, n_features=2, n_informative=2, n_redundant=0, random_state=42)

# 使用 Logistic 回归来拟合数据
clf = LogisticRegression(random_state=42)
clf.fit(X, y)

# 绘制决策边界
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100), np.linspace(y_min, y_max, 100))
Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.RdBu, alpha=.8)

# 绘制样本点
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.RdBu, edgecolor='white')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.show()

这段代码使用 scikit-learn 库中的 `make_classification()` 函数生成了一些二维的随机数据，并使用 Logistic 回归来拟合这些数据，最后绘制了决策边界和样本点。如果您需要更详细的解释，请告诉我。

Logistic回归python代码

Logistic回归的Python代码如下:

import numpy as np

# 加载数据集
def loadDataSet():
    dataMat = []
    labelMat = []
    fr = open('testSet.txt')
    for line in fr.readlines():
        lineArr = line.strip().split()
        dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])
        labelMat.append(int(lineArr[2]))
    return dataMat,labelMat

# Sigmoid函数
def sigmoid(inX):
    return 1.0 / (1 + np.exp(-inX))

# 梯度上升算法
def gradAscent(dataMatIn, classLabels):
    dataMatrix = np.mat(dataMatIn)
    labelMat = np.mat(classLabels).transpose()
    m, n = np.shape(dataMatrix)
    alpha = 0.001
    maxCycles = 500
    weights = np.ones((n,1))
    for k in range(maxCycles):
        h = sigmoid(dataMatrix * weights)
        error = labelMat - h
        weights = weights + alpha * dataMatrix.transpose() * error
    return weights

# 测试代码
dataMat,labelMat = loadDataSet()
weights = gradAscent(dataMat, labelMat)
print(weights)