sklearn实现逻辑回归

首先我们来看下面一组数据集：

前面的x1与x2都表示的是年收入和年龄这两个因素决定的是否买车的结果。

开始代码部分，我们先输入x和y的变量，开始输入数据：

from sklearn import linear_model
X=[[20,3],
   [23,7],
   [31,10],
   [42,13],
   [50,7],
   [60,5]]

from sklearn import linear_model

X=[[20,3],

[23,7],

[31,10],

[42,13],

[50,7],

[60,5]]

Y=[0,
   1,
   1,
   1,
   0,
   0]

Y=[0,

拟合逻辑回归模型：

lr=linear_model.LogisticRegression(solver='liblinear')#在新版的sklearn当中只需要指定后面的参数值就不会进行报错啦！
lr.fit(X,Y)

1 2	lr=linear_model.LogisticRegression(solver='liblinear')#在新版的sklearn当中只需要指定后面的参数值就不会进行报错啦！ lr.fit(X,Y)

这个时候我们的模型已经拟合好了，现在可以开始进行输出了，随便用一个数据来测试在这个模型下这个人是否买车，以及是否买车的概率：

textX=[[28,8]]
lable=lr.predict(textX)#看它是否有车，1表示有

1 2	textX=[[28,8]] lable=lr.predict(textX)#看它是否有车，1表示有

输出：

array([1])

1	array([1])

输出为一，说明这个人已经买车了，下面是输出概率：

#现在输出有车的概率
predict=lr.predict_proba(textX)
predict

#现在输出有车的概率

predict=lr.predict_proba(textX)

predict

输出为：

array([[0.14694811, 0.85305189]])
#前面有两个值，这是因为前面的一个概率预测为0的概率，后面的为概率预测为1的概率

1 2	array([[0.14694811, 0.85305189]]) #前面有两个值，这是因为前面的一个概率预测为0的概率，后面的为概率预测为1的概率

得解也，逻辑回归模型的编程还是十分容易的啦