菜单
×
   ❮     
HTML CSS JAVASCRIPT SQL PYTHON JAVA PHP HOW TO W3.CSS C C++ C# BOOTSTRAP REACT MYSQL JQUERY EXCEL XML DJANGO NUMPY PANDAS NODEJS R TYPESCRIPT ANGULAR GIT POSTGRESQL MONGODB ASP AI GO KOTLIN SASS VUE DSA GEN AI SCIPY AWS CYBERSECURITY DATA SCIENCE
     ❯   

Python 教程

Python 主页 Python 简介 Python 入门 Python 语法 Python 注释 Python 变量 Python 数据类型 Python 数字 Python 类型转换 Python 字符串 Python 布尔值 Python 运算符 Python 列表 Python 元组 Python 集合 Python 字典 Python If...Else Python While 循环 Python For 循环 Python 函数 Python Lambda Python 数组 Python 类/对象 Python 继承 Python 迭代器 Python 多态 Python 作用域 Python 模块 Python 日期 Python 数学 Python JSON Python 正则表达式 Python PIP Python Try...Except Python 用户输入 Python 字符串格式化

文件处理

Python 文件处理 Python 读取文件 Python 写入/创建文件 Python 删除文件

Python 模块

NumPy 教程 Pandas 教程 SciPy 教程 Django 教程

Python Matplotlib

Matplotlib 简介 Matplotlib 入门 Matplotlib Pyplot Matplotlib 绘图 Matplotlib 标记 Matplotlib 线条 Matplotlib 标签 Matplotlib 网格 Matplotlib 子图 Matplotlib 散点图 Matplotlib 条形图 Matplotlib 直方图 Matplotlib 饼图

机器学习

入门 均值、中位数、众数 标准差 百分位数 数据分布 正态数据分布 散点图 线性回归 多项式回归 多元回归 缩放 训练/测试 决策树 混淆矩阵 层次聚类 逻辑回归 网格搜索 分类数据 K-means Bootstrap Aggregation 交叉验证 AUC - ROC 曲线 K-近邻

Python MySQL

MySQL 入门 MySQL 创建数据库 MySQL 创建表 MySQL 插入 MySQL 选择 MySQL Where MySQL Order By MySQL 删除 MySQL 删除表 MySQL 更新 MySQL Limit MySQL Join

Python MongoDB

MongoDB 入门 MongoDB 创建数据库 MongoDB 集合 MongoDB 插入 MongoDB Find MongoDB Query MongoDB Sort MongoDB 删除 MongoDB 删除集合 MongoDB 更新 MongoDB Limit

Python 参考

Python 概述 Python 内置函数 Python 字符串方法 Python 列表方法 Python 字典方法 Python 元组方法 Python 集合方法 Python 文件方法 Python 关键字 Python 异常 Python 词汇表

模块参考

Random 模块 Requests 模块 Statistics 模块 Math 模块 cMath 模块

Python 如何操作

删除列表重复项 反转字符串 两个数字相加

Python 示例

Python 示例 Python 编译器 Python 练习 Python 测验 Python 服务器 Python 面试问答 Python 训练营 Python 证书

机器学习 - 逻辑回归


在此页面上,W3schools.com 与 纽约数据科学学院 合作,为我们的学生提供数字培训内容。


逻辑回归

逻辑回归旨在解决分类问题。它通过预测分类结果来做到这一点,这与预测连续结果的线性回归不同。

在最简单的情况下,有两种结果,称为二项分类,例如预测肿瘤是恶性的还是良性的。其他情况有多种分类结果,这称为多项分类。多项逻辑回归的常见示例是预测鸢尾花在 3 种不同物种中的类别。

在这里,我们将使用基本的逻辑回归来预测二项变量。这意味着它只有两种可能的结果。


它是如何工作的?

在 Python 中,我们有模块可以为我们完成工作。首先导入 NumPy 模块。

import numpy

将自变量存储在 X 中。

将因变量存储在 y 中。

下面是一个示例数据集

# X 表示肿瘤的大小(厘米)。
X = numpy.array([3.78, 2.44, 2.09, 0.14, 1.72, 1.65, 4.92, 4.37, 4.96, 4.52, 3.69, 5.88]).reshape(-1,1)

# 注意:X 必须从行重塑为列,LogisticRegression() 函数才能正常工作。
# y 表示肿瘤是否为癌症(0 表示“否”,1 表示“是”)。
y = numpy.array([0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1])

我们将使用 sklearn 模块中的一个方法,因此也需要导入该模块

from sklearn import linear_model

从 sklearn 模块中,我们将使用 LogisticRegression() 方法创建一个逻辑回归对象。

此对象有一个名为 fit() 的方法,它接受自变量和因变量作为参数,并用描述关系的数据填充回归对象。

logr = linear_model.LogisticRegression()
logr.fit(X,y)

现在我们有了一个逻辑回归对象,它可以根据肿瘤大小来判断肿瘤是否为癌症。

# 预测肿瘤大小为 3.46mm 时是否为癌症
predicted = logr.predict(numpy.array([3.46]).reshape(-1,1))

示例

观看整个示例的实际演示

import numpy
from sklearn import linear_model

# 为逻辑函数重塑。
X = numpy.array([3.78, 2.44, 2.09, 0.14, 1.72, 1.65, 4.92, 4.37, 4.96, 4.52, 3.69, 5.88]).reshape(-1,1)
y = numpy.array([0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1])

logr = linear_model.LogisticRegression()
logr.fit(X,y)

# 预测肿瘤大小为 3.46mm 时是否为癌症
predicted = logr.predict(numpy.array([3.46]).reshape(-1,1))
print(predicted)

结果


 [0]
 
运行示例 »

我们预测肿瘤大小为 3.46mm 时不会是癌症。


广告


系数

在逻辑回归中,系数是 X 每增加一个单位时,结果发生的对数几率的预期变化。

这不太直观,所以让我们用它来创建一个更有意义的东西:几率。

示例

观看整个示例的实际演示

import numpy
from sklearn import linear_model

# 为逻辑函数重塑。
X = numpy.array([3.78, 2.44, 2.09, 0.14, 1.72, 1.65, 4.92, 4.37, 4.96, 4.52, 3.69, 5.88]).reshape(-1,1)
y = numpy.array([0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1])

logr = linear_model.LogisticRegression()
logr.fit(X,y)

log_odds = logr.coef_
odds = numpy.exp(log_odds)

print(odds)

结果


 [4.03541657]
 
运行示例 »

这告诉我们,随着肿瘤大小每增加 1 毫米,它成为癌症肿瘤的几率会增加 4 倍。


概率

系数和截距值可用于计算每种肿瘤是癌症的概率。

创建一个函数,该函数使用模型的系数和截距值来返回一个新值。这个新值代表给定观测值是肿瘤的概率。

def logit2prob(logr,x)
  log_odds = logr.coef_ * x + logr.intercept_
  odds = numpy.exp(log_odds)
  probability = odds / (1 + odds)
  return(probability)

函数解释

为了计算每个观测值的对数几率,我们必须首先创建一个类似于线性回归公式的公式,提取系数和截距。

log_odds = logr.coef_ * x + logr.intercept_

要将对数几率转换为几率,我们必须对对数几率进行指数运算。

odds = numpy.exp(log_odds)

现在我们有了几率,我们可以通过将其除以 1 加上几率来将其转换为概率。

probability = odds / (1 + odds)

现在让我们使用我们学到的函数来找出每种肿瘤是癌症的概率。

示例

观看整个示例的实际演示

import numpy
from sklearn import linear_model

X = numpy.array([3.78, 2.44, 2.09, 0.14, 1.72, 1.65, 4.92, 4.37, 4.96, 4.52, 3.69, 5.88]).reshape(-1,1)
y = numpy.array([0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1])

logr = linear_model.LogisticRegression()
logr.fit(X,y)

def logit2prob(logr, X)
  log_odds = logr.coef_ * X + logr.intercept_
  odds = numpy.exp(log_odds)
  probability = odds / (1 + odds)
  return(probability)

print(logit2prob(logr, X))

结果

  [[0.60749955]
   [0.19268876]
   [0.12775886]
   [0.00955221]
   [0.08038616]
   [0.07345637]
   [0.88362743]
   [0.77901378]
   [0.88924409]
   [0.81293497]
   [0.57719129]
   [0.96664243]]
   

运行示例 »

结果解释

3.78 0.61 尺寸为 3.78cm 的肿瘤患癌的概率为 61%。

2.44 0.19 尺寸为 2.44cm 的肿瘤患癌的概率为 19%。

2.09 0.13 尺寸为 2.09cm 的肿瘤患癌的概率为 13%。


×

联系销售

如果您想将 W3Schools 服务用于教育机构、团队或企业,请发送电子邮件给我们
sales@w3schools.com

报告错误

如果您想报告错误,或想提出建议,请发送电子邮件给我们
help@w3schools.com

W3Schools 经过优化,旨在方便学习和培训。示例可能经过简化,以提高阅读和学习体验。教程、参考资料和示例会不断审查,以避免错误,但我们无法保证所有内容的完全正确性。使用 W3Schools 即表示您已阅读并接受我们的使用条款Cookie 和隐私政策

版权所有 1999-2024 Refsnes Data。保留所有权利。W3Schools 由 W3.CSS 提供支持