python回歸結果輸出,python數據回歸

本文目錄一覽：

• 1、關於python簡單線性回歸
• 2、python邏輯回歸結果怎麼看
• 3、python 的LinearRegression包，怎麼導出回歸模型公式？
• 4、python回歸模型保存
• 5、python怎麼保存回歸結果
• 6、怎麼看python中邏輯回歸輸出的解釋

關於python簡單線性回歸

線性回歸：

設x,y分別為一組數據，代碼如下

import matplotlib.pyplot as plt

import numpy as np

ro=np.polyfit(x,y,deg=1) #deg為擬合的多項式的次數（線性回歸就選1）

ry=np.polyval(ro,x) #忘記x和ro哪個在前哪個在後了。。。

print ro #輸出的第一個數是斜率k，第二個數是縱截距b

plt.scatter(x,y)

plt.plot(x,ry)

python邏輯回歸結果怎麼看

假設預測目標為0和1 數據中1的個數為a，預測1的次數為b，預測1命中的次數為c 準確率 precision = c / b 召回率 recall = c / a f1_score = 2 * precision * recall / (precision + recall)

python 的LinearRegression包，怎麼導出回歸模型公式？

線性回歸是機器學習算法中最簡單的算法之一，它是監督學習的一種算法，主要思想是在給定訓練集上學習得到一個線性函數，在損失函數的約束下，求解相關係數，最終在測試集上測試模型的回歸效果。

也就是說 LinearRegression 模型會構造一個線性回歸公式

y’ = w^T x + b

，其中 w 和 x 均為向量，w 就是係數，截距是 b，得分是根據真實的 y 值和預測值 y’ 計算得到的。

python回歸模型保存

1、首先需要使用公式將回歸結果計算出來。

2、其次選擇回歸。

3、最後將其另存為，另存為到word中就可以保存了。Python由荷蘭數學和計算機科學研究學會的吉多范羅蘇姆於1990年代初設計，作為一門叫做ABC語言的替代品。Python提供了高效的高級數據結構，還能簡單有效地面向對象編程。

python怎麼保存回歸結果

1、需要使用公式將回歸結果計算出來。

2、選擇回歸。

3、結果將其另存為，另存為到word中就可以保存了。

怎麼看python中邏輯回歸輸出的解釋

以下為python代碼，由於訓練數據比較少，這邊使用了批處理梯度下降法，沒有使用增量梯度下降法。

##author:lijiayan##data:2016/10/27

##name:logReg.pyfrom numpy import *import matplotlib.pyplot as pltdef loadData(filename):

data = loadtxt(filename)

m,n = data.shape    print ‘the number of  examples:’,m    print ‘the number of features:’,n-1    x = data[:,0:n-1]

y = data[:,n-1:n]    return x,y#the sigmoid functiondef sigmoid(z):    return 1.0 / (1 + exp(-z))#the cost functiondef costfunction(y,h):

y = array(y)

h = array(h)

J = sum(y*log(h))+sum((1-y)*log(1-h))    return J# the batch gradient descent algrithmdef gradescent(x,y):

m,n = shape(x)     #m: number of training example; n: number of features    x = c_[ones(m),x]     #add x0    x = mat(x)      # to matrix    y = mat(y)

a = 0.0000025       # learning rate    maxcycle = 4000    theta = zeros((n+1,1))  #initial theta    J = []    for i in range(maxcycle):

h = sigmoid(x*theta)

theta = theta + a * (x.T)*(y-h)

cost = costfunction(y,h)

J.append(cost)

plt.plot(J)

plt.show()    return theta,cost#the stochastic gradient descent (m should be large,if you want the result is good)def stocGraddescent(x,y):

m,n = shape(x)     #m: number of training example; n: number of features    x = c_[ones(m),x]     #add x0    x = mat(x)      # to matrix    y = mat(y)

a = 0.01       # learning rate    theta = ones((n+1,1))    #initial theta    J = []    for i in range(m):

h = sigmoid(x[i]*theta)

theta = theta + a * x[i].transpose()*(y[i]-h)

cost = costfunction(y,h)

J.append(cost)

plt.plot(J)

plt.show()    return theta,cost#plot the decision boundarydef plotbestfit(x,y,theta):

plt.plot(x[:,0:1][where(y==1)],x[:,1:2][where(y==1)],’ro’)

plt.plot(x[:,0:1][where(y!=1)],x[:,1:2][where(y!=1)],’bx’)

x1= arange(-4,4,0.1)

x2 =(-float(theta[0])-float(theta[1])*x1) /float(theta[2])

plt.plot(x1,x2)

plt.xlabel(‘x1’)

plt.ylabel((‘x2’))

plt.show()def classifyVector(inX,theta):

prob = sigmoid((inX*theta).sum(1))    return where(prob = 0.5, 1, 0)def accuracy(x, y, theta):

m = shape(y)[0]

x = c_[ones(m),x]

y_p = classifyVector(x,theta)

accuracy = sum(y_p==y)/float(m)    return accuracy

調用上面代碼：

from logReg import *

x,y = loadData(“horseColicTraining.txt”)

theta,cost = gradescent(x,y)print ‘J:’,cost

ac_train = accuracy(x, y, theta)print ‘accuracy of the training examples:’, ac_train

x_test,y_test = loadData(‘horseColicTest.txt’)

ac_test = accuracy(x_test, y_test, theta)print ‘accuracy of the test examples:’, ac_test

學習速率=0.0000025，迭代次數=4000時的結果：

似然函數走勢（J = sum(y*log(h))+sum((1-y)*log(1-h))），似然函數是求最大值，一般是要穩定了才算最好。

下圖為計算結果，可以看到訓練集的準確率為73%，測試集的準確率為78%。

這個時候，我去看了一下數據集，發現沒個特徵的數量級不一致，於是我想到要進行歸一化處理：

歸一化處理句修改列loadData(filename)函數：

def loadData(filename):

data = loadtxt(filename)

m,n = data.shape    print ‘the number of  examples:’,m    print ‘the number of features:’,n-1    x = data[:,0:n-1]

max = x.max(0)

min = x.min(0)

x = (x – min)/((max-min)*1.0)     #scaling    y = data[:,n-1:n]    return x,y

在沒有歸一化的時候，我的學習速率取了0.0000025（加大就會震蕩，因為有些特徵的值很大，學習速率取的稍大，波動就很大），由於學習速率小，迭代了4000次也沒有完全穩定。現在當把特徵歸一化後（所有特徵的值都在0~1之間），這樣學習速率可以加大，迭代次數就可以大大減少，以下是學習速率=0.005，迭代次數=500的結果：

此時的訓練集的準確率為72%，測試集的準確率為73%

從上面這個例子，我們可以看到對特徵進行歸一化操作的重要性。