邏輯回歸Python代碼實現

一、什麼是邏輯回歸

邏輯回歸是機器學習中的一種分類算法，用於根據輸入變量特徵預測輸出變量的概率。這種算法的核心思想是根據輸入變量的線性組合獲取一個連續值，該值經過一個邏輯函數的轉換，得到輸出變量的概率。

這樣的分類算法通常用於處理二元分類問題，例如將郵件標記為垃圾郵件或非垃圾郵件，對疾病進行診斷等等。通常，當預測值大於某個閾值時，分類結果被視為一個類別，否則，結果被視為另一個類別。

下面是一個使用Python實現邏輯回歸的示例。

二、數據準備階段

在使用邏輯回歸前，首先需要加載數據集，將其拆分成訓練集和測試集，並對數據進行預處理，以便它們成為可以輸入邏輯回歸算法的輸入特徵變量和輸出變量。

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler

# 加載數據集
cancer = load_breast_cancer()

# 將數據集拆分為訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer.target, random_state=0)

# 對數據進行預處理，進行特徵縮放
scaler = MinMaxScaler().fit(X_train)
X_train_scaled = scaler.transform(X_train)
X_test_scaled = scaler.transform(X_test)

三、邏輯回歸模型

在準備完數據之後，我們可以使用sklearn庫中的邏輯回歸模型，設置超參數，擬合模型並在測試集上評估準確率。

from sklearn.linear_model import LogisticRegression

# 定義邏輯回歸模型，設置超參數
logreg = LogisticRegression(C=100).fit(X_train_scaled, y_train)

# 在測試集上評估邏輯回歸模型的準確率
print("Test set accuracy: {:.2f}".format(logreg.score(X_test_scaled, y_test)))

四、模型優化

邏輯回歸的擬合過程中，還可以對超參數進行調整，優化模型的性能。例如，我們可以更改正則化強度、使用不同的求解器、更改迭代次數等。

# 定義邏輯回歸模型，使用liblinear求解器和較小的正則化強度
logreg = LogisticRegression(C=0.01, solver='liblinear').fit(X_train_scaled, y_train)
print("Test set accuracy: {:.2f}".format(logreg.score(X_test_scaled, y_test)))

五、模型預測

當訓練好模型後，我們可以使用它來進行預測。給定一組輸入變量，邏輯回歸模型將返回一個概率值，該值指示變量屬於輸出變量類別的概率。

下面是一個對新數據進行預測的示例：

# 對新數據進行預測
X_new = [[0.2, 0.4, 0.6, 0.8], [0.1, 0.3, 0.5, 0.7]]
print("Probability of class 1:", logreg.predict_proba(X_new))
print("Predicted class:", logreg.predict(X_new))

六、總結

本文演示了如何使用Python編寫邏輯回歸算法，並將其用於預測二元分類變量。我們討論了數據準備、模型構建、超參數優化以及預測。這些步驟是機器學習中掌握邏輯回歸的基礎。