python分析鸢尾花数据

但是很多时候数据是非线性的，所以这篇文章主要讲述逻辑回归及Sklearn机器学习包中的LogisticRegression算法

#2018-03-28 16:57:56 March Wednesday the 13 week, the 087 day SZ SSMR

python数据挖掘学习笔记】十六.逻辑回归LogisticRegression分析鸢尾花数据

线性回归模型通常是处理因变量是连续变量的问题，如果因变量是定性变量，线性回归模型就不再适用了，需采用逻辑回归模型解决。

一. 逻辑回归

逻辑回归(Logistic Regression)是用于处理因变量为分类变量的回归问题，常见的是二分类或二项分布问题，也可以处理多分类问题，它实际上是属于一种分类方法。

概率p与因变量往往是非线性的，为了解决该类问题，我们引入了logit变换，使得logit(p)与自变量之

间存在线性相关的关系，逻辑回归模型定义如下：

Sigmoid曲线:

import matplotlib.pyplot as plt

import numpy as np

def Sigmoid(x):

return 1.0 / (1.0 + np.exp(-x))

x= np.arange(-10, 10, 0.1)

h = Sigmoid(x) #Sigmoid函数

plt.plot(x, h)

plt.axvline(0.0, color='k') #坐标轴上加一条竖直的线(0位置)

plt.axhspan(0.0, 1.0, facecolor='1.0', alpha=1.0, ls='dotted')

plt.axhline(y=0.5, ls='dotted', color='k') #在y=0.5的地方加上黑色虚线

plt.yticks([0.0, 0.5, 1.0]) #y轴标度

plt.ylim(-0.1, 1.1) #y轴范围

plt.show()

二. LogisticRegression回归算法

LogisticRegression回归模型在Sklearn.linear_model子类下，调用sklearn逻辑回归算法步骤比较简单，即：

(1) 导入模型。调用逻辑回归LogisticRegression()函数。

(2) fit()训练。调用fit(x,y)的方法来训练模型，其中x为数据的属性，y为所属类型。

(3) predict()预测。利用训练得到的模型对数据集进行预测，返回预测结果。

三. 分析鸢尾