scikit-learn 邏輯迴歸例子詳解

阿新 • • 發佈：2019-01-09

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

# import some data to play with
iris = datasets.load_iris()

得到的iris資料結果如下

print(iris.data)

這就是一個二維陣列

[[ 5.1  3.5  1.4  0.2]
 [ 4.9  3.   1.4  0.2]
 [ 4.7  3.2  1.3  0.2]
 [ 4.6  3.1  1.5  0.2]
 [ 5.   3.6  1.4  0.2]
 [ 5.4  3.9  1.7  0.4]
 [ 4.6  3.4  1.4  0.3]
 [ 5.   3.4  1.5  0.2]
 [ 4.4  2.9  1.4  0.2]
 [ 4.9  3.1  1.5  0.1]
 [ 5.4  3.7  1.5  0.2]
 [ 4.8  3.4  1.6  0.2]
 [ 4.8  3.   1.4  0.1]
 [ 4.3  3.   1.1  0.1]
 [ 5.8  4.   1.2  0.2]
 [ 5.7  4.4  1.5  0.4]
 [ 5.4  3.9  1.3  0.4]
 [ 5.1  3.5  1.4  0.3]
 [ 5.7  3.8  1.7  0.3]
 [ 5.1  3.8  1.5  0.3]
 [ 5.4  3.4  1.7  0.2]
 [ 5.1  3.7  1.5  0.4]
 [ 4.6  3.6  1.   0.2]
 [ 5.1  3.3  1.7  0.5]
 [ 4.8  3.4  1.9  0.2]
 [ 5.   3.   1.6  0.2]
 [ 5.   3.4  1.6  0.4]
 [ 5.2  3.5  1.5  0.2]
 [ 5.2  3.4  1.4  0.2]
 [ 4.7  3.2  1.6  0.2]
 [ 4.8  3.1  1.6  0.2]
 [ 5.4  3.4  1.5  0.4]
 [ 5.2  4.1  1.5  0.1]
 [ 5.5  4.2  1.4  0.2]
 [ 4.9  3.1  1.5  0.1]
 [ 5.   3.2  1.2  0.2]
 [ 5.5  3.5  1.3  0.2]
 [ 4.9  3.1  1.5  0.1]
 [ 4.4  3.   1.3  0.2]
 [ 5.1  3.4  1.5  0.2]
 [ 5.   3.5  1.3  0.3]
 [ 4.5  2.3  1.3  0.3]
 [ 4.4  3.2  1.3  0.2]
 [ 5.   3.5  1.6  0.6]
 [ 5.1  3.8  1.9  0.4]
 [ 4.8  3.   1.4  0.3]
 [ 5.1  3.8  1.6  0.2]
 [ 4.6  3.2  1.4  0.2]
 [ 5.3  3.7  1.5  0.2]
 [ 5.   3.3  1.4  0.2]
 [ 7.   3.2  4.7  1.4]
 [ 6.4  3.2  4.5  1.5]
 [ 6.9  3.1  4.9  1.5]
 [ 5.5  2.3  4.   1.3]
 [ 6.5  2.8  4.6  1.5]
 [ 5.7  2.8  4.5  1.3]
 [ 6.3  3.3  4.7  1.6]
 [ 4.9  2.4  3.3  1. ]
 [ 6.6  2.9  4.6  1.3]
 [ 5.2  2.7  3.9  1.4]
 [ 5.   2.   3.5  1. ]
 [ 5.9  3.   4.2  1.5]
 [ 6.   2.2  4.   1. ]
 [ 6.1  2.9  4.7  1.4]
 [ 5.6  2.9  3.6  1.3]
 [ 6.7  3.1  4.4  1.4]
 [ 5.6  3.   4.5  1.5]
 [ 5.8  2.7  4.1  1. ]
 [ 6.2  2.2  4.5  1.5]
 [ 5.6  2.5  3.9  1.1]
 [ 5.9  3.2  4.8  1.8]
 [ 6.1  2.8  4.   1.3]
 [ 6.3  2.5  4.9  1.5]
 [ 6.1  2.8  4.7  1.2]
 [ 6.4  2.9  4.3  1.3]
 [ 6.6  3.   4.4  1.4]
 [ 6.8  2.8  4.8  1.4]
 [ 6.7  3.   5.   1.7]
 [ 6.   2.9  4.5  1.5]
 [ 5.7  2.6  3.5  1. ]
 [ 5.5  2.4  3.8  1.1]
 [ 5.5  2.4  3.7  1. ]
 [ 5.8  2.7  3.9  1.2]
 [ 6.   2.7  5.1  1.6]
 [ 5.4  3.   4.5  1.5]
 [ 6.   3.4  4.5  1.6]
 [ 6.7  3.1  4.7  1.5]
 [ 6.3  2.3  4.4  1.3]
 [ 5.6  3.   4.1  1.3]
 [ 5.5  2.5  4.   1.3]
 [ 5.5  2.6  4.4  1.2]
 [ 6.1  3.   4.6  1.4]
 [ 5.8  2.6  4.   1.2]
 [ 5.   2.3  3.3  1. ]
 [ 5.6  2.7  4.2  1.3]
 [ 5.7  3.   4.2  1.2]
 [ 5.7  2.9  4.2  1.3]
 [ 6.2  2.9  4.3  1.3]
 [ 5.1  2.5  3.   1.1]
 [ 5.7  2.8  4.1  1.3]
 [ 6.3  3.3  6.   2.5]
 [ 5.8  2.7  5.1  1.9]
 [ 7.1  3.   5.9  2.1]
 [ 6.3  2.9  5.6  1.8]
 [ 6.5  3.   5.8  2.2]
 [ 7.6  3.   6.6  2.1]
 [ 4.9  2.5  4.5  1.7]
 [ 7.3  2.9  6.3  1.8]
 [ 6.7  2.5  5.8  1.8]
 [ 7.2  3.6  6.1  2.5]
 [ 6.5  3.2  5.1  2. ]
 [ 6.4  2.7  5.3  1.9]
 [ 6.8  3.   5.5  2.1]
 [ 5.7  2.5  5.   2. ]
 [ 5.8  2.8  5.1  2.4]
 [ 6.4  3.2  5.3  2.3]
 [ 6.5  3.   5.5  1.8]
 [ 7.7  3.8  6.7  2.2]
 [ 7.7  2.6  6.9  2.3]
 [ 6.   2.2  5.   1.5]
 [ 6.9  3.2  5.7  2.3]
 [ 5.6  2.8  4.9  2. ]
 [ 7.7  2.8  6.7  2. ]
 [ 6.3  2.7  4.9  1.8]
 [ 6.7  3.3  5.7  2.1]
 [ 7.2  3.2  6.   1.8]
 [ 6.2  2.8  4.8  1.8]
 [ 6.1  3.   4.9  1.8]
 [ 6.4  2.8  5.6  2.1]
 [ 7.2  3.   5.8  1.6]
 [ 7.4  2.8  6.1  1.9]
 [ 7.9  3.8  6.4  2. ]
 [ 6.4  2.8  5.6  2.2]
 [ 6.3  2.8  5.1  1.5]
 [ 6.1  2.6  5.6  1.4]
 [ 7.7  3.   6.1  2.3]
 [ 6.3  3.4  5.6  2.4]
 [ 6.4  3.1  5.5  1.8]
 [ 6.   3.   4.8  1.8]
 [ 6.9  3.1  5.4  2.1]
 [ 6.7  3.1  5.6  2.4]
 [ 6.9  3.1  5.1  2.3]
 [ 5.8  2.7  5.1  1.9]
 [ 6.8  3.2  5.9  2.3]
 [ 6.7  3.3  5.7  2.5]
 [ 6.7  3.   5.2  2.3]
 [ 6.3  2.5  5.   1.9]
 [ 6.5  3.   5.2  2. ]
 [ 6.2  3.4  5.4  2.3]
 [ 5.9  3.   5.1  1.8]]

scikit-learn 邏輯迴歸例子詳解

import numpy as np import matplotlib.pyplot as plt from sklearn import linear_model, datasets # import some data to play with iris = datasets.load_iris()

scikit-learn 邏輯迴歸實現乳腺癌檢測

隨書程式碼，閱讀筆記載入資料 %matplotlib inline import matplotlib.pyplot as plt import numpy as np # 載入資料 from sklearn.datasets import load_breast_ca

css權重問題例子詳解

tro gree id選擇器紅色詳解 one 描述 ren ace 首先，id選擇器權重級別最高，class選擇器其次，html選擇器最後。例子： <div class="t1" id="one"> <div class="t2" id="t

sed命令例子詳解

moved 輸入 size 字母轉 amp sep def cde family sed -e ‘/Patricia/h‘ -e ‘/Margot/x‘ datafile　　　　包含Margot的行將被包含Patricia的行替換； sed -e /WE/{h;d;}‘ -

awk命令例子詳解

劃線 pan $1 空格 led 部分分隔線表模式 awk -F: ‘{print "Number of dields: "NF}‘ passwd　　　　　　　　字段分隔符設為冒號，所以每條記錄的字段數變成7； awk ‘{print "Number of diel

skiti-learn邏輯迴歸演算法庫

skiti-learn中，與邏輯迴歸相關的3個類：LogisticRegression, LogisticRegressionCV,logistic_regression_path。LogisticRegressionCV使用交叉驗證選擇正則化係數C。logistic_regression_

scikit-learn 線性迴歸模型的score函式，返回值是決定係數R^2

http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html#sklearn.linear_model.LinearRegression http://scikit-le

scikit-learn 線性迴歸擬合正弦函式，預測房價

隨書程式碼，閱讀筆記。線性迴歸擬合正弦函式 %matplotlib inline import matplotlib.pyplot as plt import numpy as np n_dots = 200 X = np.linspace(-2 * np.pi

考研演算法【資料結構】時間複雜度的計算配套例子詳解

【資料結構】時間複雜度的計算配套例子詳解一、什麼是演算法：演算法（Algorithm）是指解題方案的準確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。演算法的特徵：一個演算法應該具有以下五個重要的特徵：有

sikit-learn--邏輯迴歸應用

邏輯迴歸簡介 logistic 迴歸，雖然名字裡有 “迴歸” 二字，但實際上是解決分類問題的一類線性模型。在某些文獻中，logistic 迴歸又被稱作 logit 迴歸，maximum-entropy classification（MaxEnt，最大熵分類）

HttpServlet使用小例子詳解：HelloServlet

小白一名，搞了2小時終於搞懂怎麼使用HttpServlet，下面是一個最簡單的小例子：首先必須要在MyEclipse正確配置tomcat，這是前提，可以輸入localhost確認：可以開啟tomcat頁面，就表示配置好了然後建立一個WebProject專案這裡我已經建

java反射例子詳解

1、通過一個物件獲得完整的包名和類名 Java程式碼 package Reflect; /** * 通過一個物件獲得完整的包名和類名 * */class Demo{ //other codes...} class hello{ publ

SCALA的例子詳解

scala是一門函式式的面向物件的語言，它執行在java虛擬機器上。 eg1、示例程式碼： scala>var helloWorld = "hello" + " world" println(helloWorld)scala>val again = " ag

100天專案 Day 6 邏輯迴歸例子

第四天的時候學習邏輯迴歸可使用sigmod函式做一個比較合理的預測，因為sigmod函式值域範圍恰好為【-1,1】，而且導數比較容易得到。今天就用一個簡單的例子來說明。該資料集包含了社交

scikit-learn : 線性迴歸，多元迴歸，多項式迴歸

匹薩的直徑與價格的資料 %matplotlib inline import matplotlib.pyplot as plt def runplt(): plt.figure() plt.title(u'diameter-cost

scikit-learn : 線性迴歸

# 線性迴歸背景從線性迴歸(Linear regression)開始學習迴歸分析，線性迴歸是最早的也是最基本的模型——把資料擬合成一條直線。 — # 資料集使用scikit-learn裡的資料集boston,boston資料集很適合用來演示線性

Skynet基礎入門例子詳解(5)

Socket通訊協議Sproto 在和客戶端通訊時，需要制訂一套通訊協議。 skynet 並沒有規定任何通訊協議，所以你可以自由選擇。 sproto 是一套由 skynet 自身提供的協議，並沒有特別推薦使用，只是一個選項。sproto 有一個獨立專案存在

Servlet檔案下載例子詳解及response的contentType型別大全

一、Servlet檔案下載例子。以下例子為實現檔案下載的工具方法， package com.avcon.utils; import java.io.File; import java.io.FileInputStream; impor

h.264 CAVLC例子詳解

表3歸納成公式levelCode = 2*level-2(level>0), levelCode=-2*level-1 (level<0) （1）對於係數1。由表3，levelCode = 2*level-2 = 2*1-2 = 0 參照h.264標準9.2.2。因為 !(TotalC

關於Dao分層理解與例子詳解--個人記錄

一：電子寵物的DAO分層 1.cn.jbit.epet.dao //與資料庫連線，對錶增刪改查的標準模板 { 1)BaseDao 2)MasterDao-interface 3)Pet

scikit-learn 邏輯迴歸例子詳解

相關推薦