sklearn学习2-----LogisticsRegression

sklearn学习2-----LogisticsRegression
1、官网地址：

http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html

2、class sklearn.linear_model.LogisticRegression

(penalty=’l2’, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver=’liblinear’, max_iter=100, multi_class=’ovr’, verbose=0, warm_start=False, n_jobs=1)

3、以上14个参数说明：（来自链接https://blog.csdn.net/jark_/article/details/78342644）
4、使用(参考链接https://blog.csdn.net/loveliuzz/article/details/78708359）
```
#导入包
from sklearn.linear_model import LogisticRegression

#构建并训练模型  
for C in (10,1,0.1):
    lr = LogisticRegression(multi_class="ovr",C=C,penalty="l2",solver="lbfgs",tol=0.01)  
    re = lr.fit(X_train,Y_train)  

#模型效果获取  
r = re.score(X_train,Y_train)  
#预测  
Y_predict = lr.predict(X_test) 
```
LogisticRegressionCV
```
from sklearn.linear_model import LogisticRegressionCV
#对数据的训练集进行标准化  
ss = StandardScaler()  
X_train = ss.fit_transform(X_train)     #先拟合数据在进行标准化  
  
#构建并训练模型  
##  multi_class:分类方式选择参数，有"ovr(默认)"和"multinomial"两个值可选择，在二元逻辑回归中无区别  
##  cv:几折交叉验证  
##  solver:优化算法选择参数，当penalty为"l1"时，参数只能是"liblinear(坐标轴下降法)"  
##  "lbfgs"和"cg"都是关于目标函数的二阶泰勒展开  
##  当penalty为"l2"时，参数可以是"lbfgs(拟牛顿法)","newton_cg(牛顿法变种)","seg(minibactch随机平均梯度下降)"  
##  维度<10000时，选择"lbfgs"法，维度>10000时，选择"cs"法比较好，显卡计算的时候，lbfgs"和"cs"都比"seg"快  
##  penalty:正则化选择参数，用于解决过拟合，可选"l1","l2"  
##  tol:当目标函数下降到该值是就停止，叫：容忍度，防止计算的过多  
lr = LogisticRegressionCV(multi_class="ovr",fit_intercept=True,Cs=np.logspace(-2,2,20),cv=2,penalty="l2",solver="lbfgs",tol=0.01)  
re = lr.fit(X_train,Y_train)  
  
#模型效果获取  
r = re.score(X_train,Y_train)  
print("R值(准确率):",r)  
print("参数:",re.coef_)  
print("截距:",re.intercept_)  
print("稀疏化特征比率:%.2f%%" %(np.mean(lr.coef_.ravel()==0)*100))  
print("=========sigmoid函数转化的值，即：概率p=========")  
print(re.predict_proba(X_test))     #sigmoid函数转化的值，即：概率p  
  
#模型的保存与持久化  
from sklearn.externals import joblib  
joblib.dump(ss,"logistic_ss.model")     #将标准化模型保存  
joblib.dump(lr,"logistic_lr.model")     #将训练后的线性模型保存  
joblib.load("logistic_ss.model")        #加载模型,会保存该model文件  
joblib.load("logistic_lr.model")  
  
#预测  
X_test = ss.transform(X_test)       #数据标准化  
Y_predict = lr.predict(X_test)      #预测  
```
5、属性

coef_：表示参数w，intercept：表示截距b，n_iter表示迭代次数。

6、方法：

注意：predict预测出来的是类别（阈值固定为0.5），predict_proba预测出来的是概率值，可以通过改变阈值来设定类别。
相关阅读:
那些离不开的 Chrome 扩展插件
 Spring Boot 实战 —— 入门
 Maven 学习笔记
 Linux lvm 分区知识笔记
 Linux 双向 SSH 免密登录
 CentOS Yum 源搭建
 Ubuntu 系统学习
 iOS 测试三方 KIF 的那些事
 Swift 网络请求数据与解析
 iOS Plist 文件的增删改
原文地址：https://www.cnblogs.com/Lee-yl/p/9135344.html

sklearn学习2-----LogisticsRegression

1、官网地址：

2、class sklearn.linear_model.LogisticRegression

3、以上14个参数说明：（来自链接https://blog.csdn.net/jark_/article/details/78342644）

4、使用(参考链接https://blog.csdn.net/loveliuzz/article/details/78708359）

5、属性

6、方法：

注意：predict预测出来的是类别（阈值固定为0.5），predict_proba预测出来的是概率值，可以通过改变阈值来设定类别。

2、class `sklearn.linear_model.LogisticRegression`