【问题讨论】：
标签： python scikit-learn logistic-regression
如果您真的想针对此特定设置使用 Logistic 回归，一个很有前途的方法是将您的坐标从笛卡尔坐标系转换为极坐标系。从可视化来看，在那个系统中，您的数据似乎（几乎）是线性可分的。
这可以按照此处所述完成：Python conversion between coordinates
【讨论】：
正如其他人所说，Logistic Regression 不能很好地处理这种数据，因为它是一个线性分类器。您可以转换数据以使其线性可分，或者选择另一个更适合此类数据的分类器。
在 scikit-learn 文档中对各种分类器如何处理这个问题进行了很好的可视化：请参阅 http://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html。第二行是你的任务：
【讨论】：
已经有几个答案，但他们都没有提到任何数据预处理。因此，我将展示两种看待问题的方式。
首先，我将了解一些多方面的学习，以将您的数据转换到另一个空间
# Do some imports that I'll be using
from sklearn import datasets, manifold, linear_model
from sklearn import model_selection, ensemble, metrics
from matplotlib import pyplot as plt
%matplotlib inline
# Make some data that looks like yours
X, y = datasets.make_circles(n_samples=200, factor=.5,
noise=.05)
首先让我们看看你当前的问题
plt.scatter(X[:, 0], X[:, 1], c=y)
clf = linear_model.LogisticRegression()
scores = model_selection.cross_val_score(clf, X, y)
print scores.mean()
输出：
0.440433749257
因此，您可以看到这些数据与您的数据相似，并且我们通过逻辑回归得到了可怕的交叉验证准确性。因此，如果您真的附加了逻辑回归，我们可以做的是使用某种流形学习将您的数据投影到不同的空间，例如：
Xd = manifold.LocallyLinearEmbedding().fit_transform(X)
plt.scatter(Xd[:, 0], Xd[:, 1], c=y)
clf = linear_model.LogisticRegression()
scores = model_selection.cross_val_score(clf, Xd, y)
print scores.mean()
输出：
1.0
因此您可以看到，现在您的数据与LocallyLinearEmbedding 完全线性可分离，我们获得了更好的分类器准确度！
其他人提到的可供您使用的另一个选项是使用不同的模型。虽然有很多选项可供您使用，但我将使用RandomForestClassifier 展示一个示例。我只会对一半的数据进行训练，这样我们就可以评估无偏集的准确性。我以前只用过CV，因为它又快又简单！
clf = ensemble.RandomForestClassifier().fit(X[:100], y[:100])
print metrics.accuracy_score(y[100:], clf.predict(X[100:]))
输出：
0.97
所以我们得到了很好的准确性！如果您有兴趣了解发生了什么，我们可以从 one of the awesome scikit-learn 教程中提取一些代码。
plot_step = 0.02
x_min, x_max = X[:, 0].min() - .1, X[:, 0].max() + .1
y_min, y_max = X[:, 1].min() - .1, X[:, 1].max() + .1
xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),
np.arange(y_min, y_max, plot_step))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
cs = plt.contourf(xx, yy, Z, alpha=0.5)
plt.scatter(X[:, 0], X[:, 1], c=y)
输出：
因此，这显示了使用随机森林模型分类到每个类别的空间区域。
解决同一问题的两种方法。我把最好的锻炼留给读者……
【讨论】：