sklearn实现逻辑回归迭代次数与准确率和召回率值的关系图

要实现逻辑回归迭代次数与准确率和召回率值的关系图，可以按照以下步骤进行：

1. 导入所需的库和数据集。

import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, recall_score
from sklearn.model_selection import train_test_split
from matplotlib import pyplot as plt

data = pd.read_csv('data.csv')
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

2. 将数据集分为训练集和测试集。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. 定义一个函数，用于计算逻辑回归模型在不同迭代次数下的准确率和召回率。

def get_scores(iterations):
    lr = LogisticRegression(max_iter=iterations)
    lr.fit(X_train, y_train)
    y_pred = lr.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    recall = recall_score(y_test, y_pred)
    return accuracy, recall

4. 定义一个列表，用于存储不同迭代次数下的准确率和召回率。

iterations_list = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
scores_list = []
for iterations in iterations_list:
    scores = get_scores(iterations)
    scores_list.append(scores)

5. 将准确率和召回率分别存储到两个列表中。

accuracy_list = [score[0] for score in scores_list]
recall_list = [score[1] for score in scores_list]

6. 绘制迭代次数与准确率和召回率的关系图。

plt.plot(iterations_list, accuracy_list, label='Accuracy')
plt.plot(iterations_list, recall_list, label='Recall')
plt.xlabel('Iterations')
plt.ylabel('Score')
plt.legend()
plt.show()

最终得到的图形如下所示：


可以看出，在迭代次数增加的过程中，模型的准确率和召回率都有所提高，但是在一定迭代次数后，提高的幅度就不太明显了。