99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話:13121318867

登錄
首頁大數(shù)據(jù)時代Python實(shí)現(xiàn)無序多分類logistic回歸的實(shí)例
Python實(shí)現(xiàn)無序多分類logistic回歸的實(shí)例
2024-12-06
收藏

在處理多分類問題時,無序多分類Logistic回歸是一種強(qiáng)大的統(tǒng)計方法,特別適用于具有多個無序類別的情況。通過以下Python示例,我們將演示如何有效實(shí)現(xiàn)這一方法,以及評估模型性能。

無序多分類Logistic回歸廣泛應(yīng)用于數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)領(lǐng)域,為處理復(fù)雜分類問題提供了便利。讓我們一起通過以下步驟深入了解其應(yīng)用:

1. 導(dǎo)入必要的庫

首先,讓我們導(dǎo)入所需的庫,包括numpy、pandasmatplotlib以及sklearn中的LogisticRegression。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix, classification_report, cohen_kappa_score

2. 加載和探索數(shù)據(jù)集

我們將使用經(jīng)典的鳶尾花數(shù)據(jù)集(Iris Dataset)作為示例。該數(shù)據(jù)集包含150個樣本,每個樣本具有4個特征,并分屬于3個類別之一。

from sklearn.datasets import load_iris

# 加載鳶尾花數(shù)據(jù)集 iris = load_iris() X = iris.data y = iris.target

3. 數(shù)據(jù)集劃分

數(shù)據(jù)集劃分為訓(xùn)練集和測試集,常用比例為80%訓(xùn)練,20%測試。

# 劃分訓(xùn)練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. 模型訓(xùn)練

使用LogisticRegression類訓(xùn)練模型,設(shè)置multi_class='auto'以自動選擇適當(dāng)?shù)?a href='/map/duofenlei/' style='color:#000;font-size:inherit;'>多分類策略。

# 創(chuàng)建Logistic回歸模型
model = LogisticRegression(penalty='l2', solver='liblinear', multi_class='auto', random_state=42)

# 訓(xùn)練模型 model.fit(X_train, y_train)

5. 模型預(yù)測

利用訓(xùn)練好的模型對測試集進(jìn)行預(yù)測。

# 對測試集進(jìn)行預(yù)測
y_pred = model.predict(X_test)

6. 模型評估

通過混淆矩陣、分類報告和Kappa系數(shù)來評估模型性能。

# 生成混淆矩陣
cm = confusion_matrix(y_test, y_pred)
print("混淆矩陣:")
print(cm)

# 生成分類報告 cr = classification_report(y_test, y_pred) print("分類報告:") print(cr)

# 計算Kappa系數(shù) kappa = cohen_kappa_score(y_test, y_pred) print("Kappa系數(shù):", kappa)

7. 結(jié)果可視化

通過繪制混淆矩陣,我們可以更直觀地了解模型的預(yù)測結(jié)果。

# 繪制混淆矩陣
plt.figure(figsize=(8, 6))
plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
plt.title('混淆矩陣')
plt.colorbar()
tick_marks = np.arange(len(iris.target_names))
plt.xticks(tick_marks, iris.target_names, rotation=45)
plt.yticks(tick_marks, iris.target_names)

for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])): plt.text(j, i, format(cm[i, j], '.2f'), horizontalalignment="center", color="white" if cm[i, j] > cm.max() / 2 else "black")

plt.ylabel('真實(shí)標(biāo)簽') plt.xlabel('預(yù)測標(biāo)簽') plt.tight_layout() plt.show()

通過上述步驟,我們成功實(shí)現(xiàn)了無序多分類Logistic回

歸模型的訓(xùn)練、預(yù)測和評估過程。接下來,我們將展示完整的Python代碼實(shí)現(xiàn)。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix, classification_report, cohen_kappa_score
from sklearn.datasets import load_iris

# 加載鳶尾花數(shù)據(jù)集 iris = load_iris() X = iris.data y = iris.target

# 劃分訓(xùn)練集和測試集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 創(chuàng)建Logistic回歸模型 model = LogisticRegression(penalty='l2', solver='liblinear', multi_class='auto', random_state=42)

# 訓(xùn)練模型 model.fit(X_train, y_train)

# 對測試集進(jìn)行預(yù)測 y_pred = model.predict(X_test)

# 生成混淆矩陣 cm = confusion_matrix(y_test, y_pred) print("混淆矩陣:") print(cm)

# 生成分類報告 cr = classification_report(y_test, y_pred) print("分類報告:") print(cr)

# 計算Kappa系數(shù) kappa = cohen_kappa_score(y_test, y_pred) print("Kappa系數(shù):", kappa)

# 繪制混淆矩陣 plt.figure(figsize=(8, 6)) plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues) plt.title('Confusion Matrix') plt.colorbar() tick_marks = np.arange(len(iris.target_names)) plt.xticks(tick_marks, iris.target_names, rotation=45) plt.yticks(tick_marks, iris.target_names)

for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])): plt.text(j, i, format(cm[i, j], '.2f'), horizontalalignment="center", color="white" if cm[i, j] > cm.max() / 2 else "black")

plt.ylabel('True Label') plt.xlabel('Predicted Label') plt.tight_layout() plt.show()

通過以上代碼,我們實(shí)現(xiàn)了無序多分類Logistic回歸模型的訓(xùn)練、預(yù)測和評估,并通過混淆矩陣和其他指標(biāo)來評估模型性能。您可以根據(jù)自己的數(shù)據(jù)集和需求進(jìn)行相應(yīng)地修改和調(diào)整。希望這對您有所幫助!如果需要進(jìn)一步的幫助或解釋,請隨時告訴我。

數(shù)據(jù)分析咨詢請掃描二維碼

若不方便掃碼,搜微信號:CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機(jī)數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進(jìn)行初始化 // 參數(shù)1:配置參數(shù) // 參數(shù)2:回調(diào),回調(diào)的第一個參數(shù)驗(yàn)證碼對象,之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須,不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗(yàn)服務(wù)器是否宕機(jī) new_captcha: data.new_captcha, // 用于宕機(jī)時表示是新驗(yàn)證碼的宕機(jī) product: "float", // 產(chǎn)品形式,包括:float,popup width: "280px", https: true // 更多配置參數(shù)說明請參見:http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'!'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'!'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }