人工智能——逻辑回归，预测癌症案例

何为逻辑回归？

普通线性回归是用来预测连续的变量，例如房价预测，逻辑回归是用来预测离散的变量，例如病理预测，广告点击率。逻辑回归是分类方法，用于二分类。

逻辑回归是解决二分法的利器

sigmoid 函数：将输出的值映射到0与1之间，也可以看成概率值。

人工智能——逻辑回归，预测癌症案例

Sigmoid函数的值域范围限制在(0,1)之间，我们知道[0,1]与概率值的范围是相对应的，这样sigmoid函数就能与一个概率分布联系起来了。

逻辑回归API：

#导入逻辑回归API
from sklearn.linear_model import LogisticRegression

逻辑回归预测是否患癌症案例，代码实现：

代码流程：

1，构造列名标签，也就是特征值

2，读取数据，通过网址得到案例的数据集

3，缺失值处理，通过浏览网址，我们会发现数据会有那种带有？号的数据，所以我们需要进行缺失值处理

4，分割数据集，将数据集划分为训练集和测试集

5，算法实现，通过逻辑回归API进行预测

运行结果：

人工智能——逻辑回归，预测癌症案例

#导入读取数据模块
import pandas as pd
import numpy as np
#导入分割数据集API
from sklearn.model_selection import train_test_split
#导入标准化API
from sklearn.preprocessing import StandardScaler
#导入逻辑回归API
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report
def ljhg():
    """
    逻辑回归预测乳腺癌  二分类
    :return: None
    """
    #构造列名标签
    column = ['Sample code number','Clump Thickness','Uniformity of Cell Size','Uniformity of Cell Shape','Marginal Adhesion','Single Epithelial Cell Size','Bare Nuclei','Bland Chromatin','Normal Nucleoli','Mitoses','Class']

    #读取数据
    data = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data",names=column)
    print(data)
    #对缺失值进行处理
    data = data.replace(to_replace='?',value=np.nan)
    data = data.dropna()
    #分割数据集，将数据集分割为训练集和测试集
    x_train,x_test,y_train,y_test = train_test_split(data[column[1:10]],data[column[10]],test_size=0.25)
    #对数据进行标准化处理
    bzh = StandardScaler()
    x_train = bzh.fit_transform(x_train)
    x_test = bzh.transform(x_test)
    #算法实现  逻辑回归预测
    lg = LogisticRegression(C=1.0)
    lg.fit(x_train,y_train)
    #通过训练集的训练模型，来预测测试集
    y_predict = lg.predict(x_test)
    print(lg.coef_)
    print("准确率：",lg.score(x_test,y_test))
    #通过将预测值和真实值进行比较，从而得出召回率99
    print("召回率：",classification_report(y_test,y_predict,labels=[2,4],target_names=["良性","恶性"]))

    return None
if __name__ == "__main__":

ljhg()

作者微信公众号：

人工智能——逻辑回归，预测癌症案例