1.1目标
使用 scikit-learn 培训 Logit模型模型。
1.2数据集
import numpy as np
X = np.array([[0.5, 1.5], [1,1], [1.5, 0.5], [3, 0.5], [2, 2], [1, 2.5]])
y = np.array([0, 0, 0, 1, 1, 1])
1.3Fit模型
下面的代码导入了 scikit-learn 的 Logit模型模型。您可以通过调用 fit 函数将此模型适合于训练数据。
from sklearn.linear_model import LogisticRegression
lr_model = LogisticRegression()
lr_model.fit(X, y)
输出:
LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True, intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1, penalty='l2', random_state=None, solver='liblinear', tol=0.0001, verbose=0, warm_start=False)
1.4预测
通过调用预测函数,您可以看到这个模型所做的预测。
y_pred = lr_model.predict(X)
print("Prediction on training set:", y_pred)
输出:
Prediction on training set: [1 1 1 1 1 1]
1.5计算准确度
您可以通过调用 score 函数来计算这个模型的精度。文章来源:https://www.toymoban.com/news/detail-565755.html
print("Accuracy on training set:", lr_model.score(X, y))
输出:文章来源地址https://www.toymoban.com/news/detail-565755.html
Accuracy on training set: 0.5
到了这里,关于吴恩达机器学习2022-Jupyter-用scikitlearn实现逻辑回归的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!