Sklearn简介

Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。当我们面临机器学习问题时，便可根据下图来选择相应的方法。

Sklearn具有以下特点：

• 简单高效的数据挖掘和数据分析工具
• 让每个人能够在复杂环境中重复使用
• 建立NumPy、Scipy、MatPlotLib之上

代码如下所示：

import xlrdimport matplotlib.pyplot as pltimport numpy as npfrom sklearn import model_selectionfrom sklearn.linear_model import LogisticRegressionfrom sklearn import metricsdata = xlrd.open_workbook('gua.xlsx')sheet = data.sheet_by_index(0)Density = sheet.col_values(6)Sugar = sheet.col_values(7)Res = sheet.col_values(8)# 读取原始数据X = np.array([Density, Sugar])# y的尺寸为(17,)y = np.array(Res)X = X.reshape(17,2)# 绘制分类数据f1 = plt.figure(1)plt.title('watermelon_3a')plt.xlabel('density')plt.ylabel('ratio_sugar')# 绘制散点图（x轴为密度，y轴为含糖率）plt.scatter(X[y == 0,0], X[y == 0,1], marker = 'o', color = 'k', s=100, label = 'bad')plt.scatter(X[y == 1,0], X[y == 1,1], marker = 'o', color = 'g', s=100, label = 'good')plt.legend(loc = 'upper right')plt.show()# 从原始数据中选取一半数据进行训练，另一半数据进行测试X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.5, random_state=0)# 逻辑回归模型log_model = LogisticRegression()# 训练逻辑回归模型log_model.fit(X_train, y_train)# 预测y的值y_pred = log_model.predict(X_test)# 查看测试结果print(metrics.confusion_matrix(y_test, y_pred))print(metrics.classification_report(y_test, y_pred))

总结

以上所述是小编给大家介绍的python sklearn库实现简单逻辑回归的实例代码,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！