阅读量:0
一、二分类
import numpy as np import matplotlib.pyplot as plt from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score, classification_report, confusion_matrix # 加载数据集 iris = datasets.load_iris() X = iris.data[:, :2] # 只使用前两个特征 y = (iris.target != 0) * 1 # 将标签转换为二分类问题 # 数据标准化 scaler = StandardScaler() X = scaler.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 训练逻辑回归模型 clf = LogisticRegression() clf.fit(X_train, y_train) # 预测 y_pred = clf.predict(X_test) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print(f"Accuracy: {accuracy}") # 分类报告 print("Classification Report:") print(classification_report(y_test, y_pred)) # 混淆矩阵 print("Confusion Matrix:") print(confusion_matrix(y_test, y_pred)) # 绘制决策边界 def plot_decision_boundary(clf, X, y): x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.01), np.arange(y_min, y_max, 0.01)) Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) plt.contourf(xx, yy, Z, alpha=0.8) plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', marker='o') plt.xlabel('Feature 1') plt.ylabel('Feature 2') plt.title('Logistic Regression Decision Boundary') plt.show() plot_decision_boundary(clf, X, y) 二、算法介绍
逻辑回归是一种二分类算法，它只能处理两个类别
标准化的目的是将特征数据调整到一个标准的范围内（通常是均值为0，标准差为1），从而消除不同特征之间的量纲差异。这对于许多机器学习算法来说都非常重要，尤其是使用梯度下降的算法，如逻辑回归、神经网络等。标准化可以加快收敛速度并提高模型性能。
