逻辑回归是解决二分类问题的利器:
广告点击率
判断用户的性别
预测用户是否会购买给定的商品类
判断一条评论是正面的还是负面的
逻辑回归公式：
良／恶性乳腺癌肿瘤预测
API:sklearn.linear_model.LogisticRegression
import pandas as pd
import numpy as np
# col_name 为列名
col_name = [\'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\']
f = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data",names=col_name)
f.replace(to_replace=\'?\',value=np.nan,inplace=True)
f.dropna(inplace=True)
# 进行数据分割
from sklearn.model_selection import train_test_split
x_train, x_test,y_train, y_test = train_test_split(f[col_name[1:10]],f[col_name[10]],test_size=.25)
# 标准化
from sklearn.preprocessing import StandardScaler
std = StandardScaler()
x_train = std.fit_transform(x_train)
x_test = std.transform(x_test)
# 逻辑回归预测
from sklearn.linear_model import LogisticRegression
lg = LogisticRegression(C=1.0)
lg.fit(x_train,y_train)
lg.coef_
print("精确率",lg.score(x_test,y_test))
from sklearn.metrics import classification_report,mean_squared_error
print(classification_report(y_test,lg.predict(x_test),labels=[2,4],target_names=[\'良性\',\'恶性\']))
聚类
非监督学习(unsupervised learning)主要方法：k-means
步骤：
1、随机设置K个特征空间内的点作为初始的聚类中心
2、对于其他每个点计算到K个中心的距离，未知的点选择最近的一个聚类
中心点作为标记类别
3、接着对着标记的聚类中心之后，重新计算出每个聚类的新中心点（平
均值）
4、如果计算得出的新中心点与原中心点一样，那么结束，否则重新进行
第二步过程
from sklearn.decomposition import PCA
import numpy as np
import pandas as pd
\'\'\'
prior = pd.read_csv(r"D:\Python\机器学习代码和资料\instacart-market-basket-analysis\order_products__prior.csv")
products = pd.read_csv(r"D:\Python\机器学习代码和资料\instacart-market-basket-analysis\products.csv")
orders = pd.read_csv(r"D:\Python\机器学习代码和资料\instacart-market-basket-analysis\orders.csv")
aisles = pd.read_csv(r"D:\Python\机器学习代码和资料\instacart-market-basket-analysis\aisles.csv")
# 合并四张表到一张表
_mg = pd.merge(pd.merge(prior,products,on=[\'product_id\', \'product_id\']),orders,on=[\'order_id\',\'order_id\'])
mt = pd.merge(_mg,aisles,on=[\'aisle_id\',\'aisle_id\'])
# mt.to_csv(r"D:\Python\机器学习代码和资料\instacart-market-basket-analysis\mt.csv")
\'\'\'
mt = pd.read_csv(r"D:\Python\机器学习代码和资料\instacart-market-basket-analysis\mt.csv")
cross = pd.crosstab(mt[\'user_id\'], mt[\'aisle\']) # 用户id(行)和所购商品所属具体物品类别（列）
# 进行主成分分析
pca = PCA(n_components=0.9)
data = pca.fit_transform(cross)
# 进行聚类
from sklearn.cluster import KMeans
# 取样本切片，减少数量
x = data[:500]
# 假设用户一共分为四个类别
km = KMeans(n_clusters=4)
km.fit(x)
predict = km.predict(x)
# 显示聚类的结果
from matplotlib import pyplot as plt
plt.figure(figsize=(10,10))
# 建立四个颜色的列表
colored = [\'orange\',\'green\',\'blue\',\'purple\']
colr = [colored[i] for i in predict]
plt.scatter(x[:,1],x[:,20],color=colr) # 取x的第1列()和20列
# 评判聚类效果，轮廓系数
from sklearn.metrics import silhouette_score
silhouette_score(x,predict)
如果sc_i 小于0，说明a_i 的平均距离大于最近的其他簇。
聚类效果不好
如果sc_i 越大，说明a_i 的平均距离小于最近的其他簇。
聚类效果好
轮廓系数的值是介于 [-1,1] ，越趋近于1代表内聚度和分离度都相对较优