Sklearn逻辑回归

逻辑回归是一种广泛用于分类问题的机器学习算法。在Python中,你可以使用Sklearn库(scikit-learn)来方便地实现逻辑回归。下面是一个简单的例子,展示了如何使用Sklearn进行逻辑回归。

python 复制代码
# 导入必要的库
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
from sklearn import datasets
# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 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=0.3, random_state=0)
# 创建逻辑回归模型
logreg = LogisticRegression()
# 训练模型
logreg.fit(X_train, y_train)
# 使用训练好的模型进行预测
y_pred = logreg.predict(X_test)
# 计算并打印准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy * 100:.2f}%')

这个例子中,我们使用了鸢尾花(Iris)数据集,这是一个常用于机器学习入门的数据集,包含了150个样本,每个样本有4个特征,对应于鸢尾花的萼片和花瓣的长度和宽度。数据集被分为三个类别。

代码步骤如下:

  1. 导入必要的库。
  2. 加载数据集。
  3. 将数据集分为训练集和测试集。
  4. 创建一个逻辑回归模型。
  5. 使用训练集数据训练模型。
  6. 用训练好的模型对测试集进行预测。
  7. 计算预测结果的正确率,并打印出来。
    请注意,实际应用中,你可能需要对数据进行预处理,如特征缩放、特征选择等,并调整模型的参数以达到更好的性能。
相关推荐
THMAIL4 分钟前
量化股票从贫穷到财务自由之路 - 零基础搭建Python量化环境:Anaconda、Jupyter实战指南
linux·人工智能·python·深度学习·机器学习·金融
~-~%%6 分钟前
从PyTorch到ONNX:模型部署性能提升
人工智能·pytorch·python
xcnn_7 分钟前
深度学习基础概念回顾(Pytorch架构)
人工智能·pytorch·深度学习
attitude.x13 分钟前
PyTorch 动态图的灵活性与实用技巧
前端·人工智能·深度学习
骥龙44 分钟前
XX汽集团数字化转型:全生命周期网络安全、数据合规与AI工业物联网融合实践
人工智能·物联网·web安全
zskj_qcxjqr1 小时前
告别传统繁琐!七彩喜艾灸机器人:一键开启智能养生新时代
大数据·人工智能·科技·机器人
Ven%1 小时前
第一章 神经网络的复习
人工智能·深度学习·神经网络
研梦非凡1 小时前
CVPR 2025|基于视觉语言模型的零样本3D视觉定位
人工智能·深度学习·计算机视觉·3d·ai·语言模型·自然语言处理
Monkey的自我迭代1 小时前
多目标轮廓匹配
人工智能·opencv·计算机视觉
每日新鲜事1 小时前
Saucony索康尼推出全新 WOOOLLY 运动生活羊毛系列 生动无理由,从专业跑步延展运动生活的每一刻
大数据·人工智能