資料背景

由Fisher在1936年整理，包含4個特徵（Sepal.Length（花萼長度）、Sepal.Width（花萼寬度）、Petal.Length（花瓣長度）、Petal.Width（花瓣寬度）），特徵值都為正浮點數，單位為釐米。目標值為鳶尾花的分類（Iris Setosa（山鳶尾）、Iris Versicolour（雜色鳶尾），Iris Virginica（維吉尼亞鳶尾））。

測試程式碼

新建lr_riis.py檔案，編寫程式碼

# -*- coding:utf-8 -*-
import numpy as np

from sklearn import datasets
from
 
 sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

def load_data():
    iris = datasets.load_iris()
    print(iris.keys())
    n_samples, n_features = iris.data.shape
    print((n_samples, n_features))
    print(iris.data[0])
    print(iris.target.shape)
    print(iris.target)
    print(iris.target_names)
    print("feature_names:"
 
, iris.feature_names)


def main():
   load_data()

if __name__ == '__main__':
    main()

執行結果為：

由結果可知：
iris中有5個key值

iris.data 包含了四個特徵值，例如[5.1, 3.5, 1.4, 0.2]
iris.target為目標值
iris.feature_names為特徵名稱

模型預測實踐

重新更新下程式碼

# -*- coding:utf-8 -*-
import numpy as np

from sklearn import datasets
from
 
 sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

def load_data():
    # 共150條資料，訓練120條，測試30條，進行2,8分進行模型訓練
    # 每條資料型別為 x{nbarray} [6.4, 3.1, 5.5, 1.8]
    inputdata = datasets.load_iris()
    # 切分，測試訓練2,8分
    x_train, x_test, y_train, y_test = \
        train_test_split(inputdata.data, inputdata.target, test_size = 0.2, random_state=0)
    return x_train, x_test, y_train, y_test

def main():
    # 訓練集x ,測試集x,訓練集label,測試集label
    x_train, x_test, y_train, y_test = load_data()
    # l2為正則項
    model = LogisticRegression(penalty='l2')
    model.fit(x_train, y_train)

    print "w: ", model.coef_
    print "b: ", model.intercept_
    # 準確率
    print "precision: ", model.score(x_test, y_test)
    print "MSE: ", np.mean((model.predict(x_test) - y_test) ** 2)

if __name__ == '__main__':
    main()

執行結果為：