【Python机器学习】实验03 logstic回归

**实验03: Logistic 回归**

Logistic 回归是一种常见的二分类算法，用于预测目标变量为0 或1 的情况。它通过学习数据中的模式来确定特定输入的概率。

在本实验中，我们将使用 Python 来实现 Logistic 回归，并对其进行解释和演示。

###1. Logistic 回归的基本概念Logistic 回归是一种线性模型，但它不是直接预测目标变量，而是预测其对数几率。这种方法可以避免预测概率值过大或过小的问题。

假设我们有一个二分类问题，目标变量为0 或1，我们希望预测某个输入的概率属于类别1。

Logistic 回归使用以下公式来计算对数几率：

log(p / (1 - p)) = w^T * x + b其中：

* p：预测概率* w：权重向量* x：输入特征向量* b：偏置项###2. Logistic 回归的实现我们将使用 Scikit-learn 库来实现 Logistic 回归。

# 导入必要的库from sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import accuracy_score, classification_report, confusion_matriximport numpy as np#生成随机数据np.random.seed(0)
X = np.random.rand(100,5) #100 个样本，5 个特征y = (X[:,0] >0.5).astype(int) # 目标变量为0 或1# 将数据分割成训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 实例化 Logistic 回归模型model = LogisticRegression(max_iter=10000) # 最大迭代次数# 训练模型model.fit(X_train, y_train)

# 预测测试集y_pred = model.predict(X_test)

#评估模型性能accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)
print("分类报告：")
print(classification_report(y_test, y_pred))
print("混淆矩阵：")
print(confusion_matrix(y_test, y_pred))