逻辑斯蒂回归模型代码
时间: 2024-10-21 08:06:12 浏览: 52
logistic_逻辑斯蒂回归二分类_
5星 · 资源好评率100%
逻辑斯蒂回归(Logistic Regression)是一种用于解决二分类问题的线性模型,它通过将输入特征与权重相乘,然后经过一个sigmoid函数转换得到预测概率。以下是Python中sklearn库中使用逻辑斯蒂回归的一个简单例子:
```python
# 导入所需的库
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
import pandas as pd
# 假设我们有一个数据集df,其中包含特征X和标签y
data = pd.read_csv('your_dataset.csv') # 替换为实际文件路径
X = data.drop('target', axis=1) # 假设'target'是目标列
y = data['target']
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建并训练逻辑斯蒂回归模型
model = LogisticRegression()
model.fit(X_train, y_train)
# 预测
predictions = model.predict(X_test)
probability_predictions = model.predict_proba(X_test)
# 模型评估
score = model.score(X_test, y_test)
```
在这个例子中,`fit()`方法用于训练模型,`predict()`方法用于生成预测结果,`predict_proba()`方法则返回每个样本属于正类的概率。最后,`score()`函数计算模型在测试集上的准确率。
阅读全文