逻辑回归

什么是逻辑回归？

逻辑回归用于分类问题分出的不同的类别。它的目标是判断当前样本是属于哪一个组。得到的结论是属于概率性的描述。举一个简单的例子：

通过你的一些行为变量，判断你是属于男性还是属于女性。

工作原理

逻辑回归的工作原理和线性回归类似，也是根据自变量和因变量之间的关系，来预测它属于哪一类。

将得到的概率转化为二进制0-1，从而进行分类，分组。

与线性回归相比，逻辑回归的反应变量是离散的，而线性回归的反应变量是连续的。逻辑回归也可以用来分类。

步骤：

setp 1:数据预处理

导入必须的包,numpy ,matplotlib,pandas

导入数据，read_csv()

分割数据集 train_test_split()

特征缩放 StandardScaler()

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

dataset = pd.read_csv("Social_Network_Ads.csv")

X = dataset.iloc[:,[2,3]].values

y = dataset.iloc[:,4].values

from sklearn.model_selection import train_test_split

X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.25,random_state=0)

from sklearn.preprocessing import StandardScaler

sc = StandardScaler()

X_train = sc.fit_transform(X_train)

X_test = sc.fit_transform(X_test)

setp 2:建立逻辑回归模型

导入包 从sklearn.linear_model 导入 LogisticRegression

逻辑回归模型初始化

LogisticRegression()

训练模型 fit()

from sklearn.linear_model import LogisticRegression

classifier = LogisticRegression()

classifier.fit(X_train,y_train)

setp 3:做预测

使用逻辑回归模型做预测 predict()

y_pred = classifier.predict(X_test)

setp 4:模型评估

当模型建立完成后，需要对模型做出评价，使用混淆矩阵做评价。

PS.什么是混淆矩阵?

将已知的每一类和预测的每一类个数做一个矩阵。

从sklearn.metrics导入 confusion_matrix方法

计算混淆矩阵

from sklearn.metrics import confusion_matrix

cm = confusion_matrix(y_test,y_pred)

setp 5:可视化