Python之逻辑回归

代码：

 1 import numpy as np
 2 from sklearn import datasets
 3 from sklearn.linear_model import LogisticRegression
 4 import matplotlib.pyplot as plt
 5 
 6 __author__ = \'zhen\'
 7 
 8 iris = datasets.load_iris()
 9 
10 for i in range(0, 4):
11     x = iris[\'data\'][:, i:i+1]  # 获取训练数据
12     y = iris[\'target\']
13 
14     param_grid = {"tol": [1e-4, 1e-3, 1e-2], "C": [0.4, 0.6, 0.8]}
15 
16     log_reg = LogisticRegression(multi_class=\'ovr\', solver=\'sag\', max_iter=1000)  # ovr:二分类
17     log_reg.fit(x, y)
18 
19     # 改变数据的样式，reshape(rows, columns)，当rows=-1时，表示任意行
20     x_new = np.linspace(0, 3, 1000).reshape(-1, 1)
21 
22     y_proba = log_reg.predict_proba(x_new)
23     y_hat = log_reg.predict(x_new)
24 
25     print("y_prob:\n{}\ny_hat\n{}".format(y_proba, y_hat[:: 10]))
26     print("="*60)
27 
28     # 画图
29     plt.subplot(2, 2, i+1)
30     plt.plot(x_new, y_proba[:, 2], \'g-\', label=\'Iris-Virginica\')
31     plt.plot(x_new, y_proba[:, 1], \'r-\', label=\'Iris-Versicolour\')
32     plt.plot(x_new, y_proba[:, 0], \'b-\', label=\'Iris-Setosa\')
33 
34     if i == 3:
35         plt.show()

结果：

　　训练1：

　　

　　训练2：

　　

　　训练3：

　　

　　训练4：

　　

分析：

　　有训练结果可知，训练4最具有合理性（分类清晰）：