Python之逻辑回归

代码：

import numpy as np
from sklearn import datasets
from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt

__author__ = 'zhen'

iris = datasets.load_iris()

for i in range(0, 4):
    x = iris['data'][:, i:i+1]  # 获取训练数据
    y = iris['target']

    param_grid = {"tol": [1e-4, 1e-3, 1e-2], "C": [0.4, 0.6, 0.8]}

    log_reg = LogisticRegression(multi_class='ovr', solver='sag', max_iter=1000)  # ovr:二分类
    log_reg.fit(x, y)

    # 改变数据的样式，reshape(rows, columns)，当rows=-1时，表示任意行
    x_new = np.linspace(0, 3, 1000).reshape(-1, 1)

    y_proba = log_reg.predict_proba(x_new)
    y_hat = log_reg.predict(x_new)

    print("y_prob:
{}
y_hat
{}".format(y_proba, y_hat[:: 10]))
    print("="*60)

    # 画图
    plt.subplot(2, 2, i+1)
    plt.plot(x_new, y_proba[:, 2], 'g-', label='Iris-Virginica')
    plt.plot(x_new, y_proba[:, 1], 'r-', label='Iris-Versicolour')
    plt.plot(x_new, y_proba[:, 0], 'b-', label='Iris-Setosa')

    if i == 3:
        plt.show()

结果：

　　训练1：

　　

　　训练2：

　　

　　训练3：

　　

　　训练4：

　　

分析：

　　有训练结果可知，训练4最具有合理性（分类清晰）：