逻辑回归实践（逻辑回归实际应用例子）

逻辑回归是通过正规化防止过拟合的。

在训练数据不够多时，常常会导致过拟合。L2正则化就是在代价函数后面再加上一个正则化项：

C0代表原始的代价函数，后面那一项就是L2正则化项， 过拟合的时候，拟合函数的系数往往非常大。所有参数w的平方的和，除以训练集的样本大小n。λ就是正则项系数，权衡正则项与C0项的比重。另外还有一个系数1/2，1/2经常会看到，主要是为了后面求导的结果方便，后面那一项求导会产生一个2，与1/2相乘刚好凑整。所以正规化通过约束参数的范数使其不要太大，所以在一定程度内可以减少过拟合。

2|0用logiftic回归来进行实践操作，数据不限。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

import pandas as pd

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import classification_report

# 数据读取与预处理

data = pd.read_csv('201706120017赖志豪.csv')

x = data.iloc[:,1:]

y = data.iloc[:,0]

x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2,random_state=6)

# 构建逻辑回归模型

LR_model = LogisticRegression()

# 训练模型

LR_model.fit(x_train,y_train)

# 预测模型

pre = LR_model.predict(x_test)

print('模型的正确率：',LR_model.score(x_test,y_test))

print('输出模型的分类报告：\n',classification_report(y_test,pre))

__EOF__

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。