逻辑回归与梯度下降策略之Python实现
2022/2/25 1:26:51
本文主要是介绍逻辑回归与梯度下降策略之Python实现,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
逻辑回归与梯度下降策略之Python实现
- 1. 映射到概率的函数sigmoid
- 2. 返回预测结果值model函数
- 3. 计算损失值cost
- 4. 计算梯度gradient
- 5. 进行参数更新
- 6. 计算精度
我们将建立一个逻辑回归模型来预测一个学生是否被大学录取。假设你是一个大学系的管理员,你想根据两次考试的结果来决定每个申请人的录取机会。你有以前的申请人的历史数据,你可以用它作为逻辑回归的训练集。
这里我们有一个LogiReg_data.txt文件数据:
对于每一个培训例子,你有两个考试的申请人的分数和录取决定。为了做到这一点,我们将建立一个分类模型,根据考试成绩估计入学概率。
先导入数据分析三大件:
import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline
导入数据,设置表头,‘Exam 1’,和’Exam 2’,表示两科成绩,'Admitted’表示是否被录取,读取表格前五条数据看一下效果:
import os path = 'data' + os.sep + 'LogiReg_data.txt' pdData = pd.read_csv(path, header=None, names=['Exam 1', 'Exam 2', 'Admitted']) pdData.head()
看一下我们数据的规模:
可以看出一共是100条数据,有3列特征。
我们可以绘图看一下Admitted是0还是1在图像上的分布情况:
positive = pdData[pdData['Admitted'] == 1] negative = pdData[pdData['Admitted'] == 0] fig, ax = plt.subplots(figsize=(10,5)) ax.scatter(positive['Exam 1'], positive['Exam 2'], s=30, c='b', marker='o', label='Admitted') ax.scatter(negative['Exam 1'], negative['Exam 2'], s=30, c='r', marker='x', label='Not Admitted') ax.legend() ax.set_xlabel('Exam 1 Score') ax.set_ylabel('Exam 2 Score')
可以清晰的看出录取和未被录取的大致分布,针对这两种分布,我们应该可以试着画出一条决策边界将两类分开,接下来就开始用到逻辑回归算法了。
首先我们应该明确一下我们的目标:建立分类器(求解出三个参数
这篇关于逻辑回归与梯度下降策略之Python实现的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-05-08有遇到过吗?同样的规则 Excel 中 比Python 结果大
- 2024-03-30开始python成长之路
- 2024-03-29python optparse
- 2024-03-29python map 函数
- 2024-03-20invalid format specifier python
- 2024-03-18pool.map python
- 2024-03-18threads in python
- 2024-03-14python Ai 应用开发基础训练,字符串,字典,文件
- 2024-03-13id3 algorithm python
- 2024-03-13sum array elements python