本站原创文章，转载请说明来自《老饼讲解-机器学习》ml.bbbdata.com

逻辑回归一般用来作二分类问题，

本文展示一个使用sklearn的实现逻辑回归的Demo例子

   01. 问题   

本节描述本例子需要解决的问题

  问 题  

已采集150组 乳腺癌数据：包含四个特征和乳腺癌类别。
现在需要我们可以通过数据，
 训练一个逻辑回归，用于预测乳腺癌是良性还是恶性

   数 据   

具体数据如下：
 
特征：平均平滑度、平均紧凑度、平均凹面、平均凹点，类别：0-恶性、1-良性
 即以sk-learn中的breast_cancer的数据，breast_cancer原数据中有30个特征，为方便讲解，我们这里只选4个

   02. sklearn-逻辑回归Demo代码   

本节展示调用sklearn训练一个逻辑回归的DEMO代码

      代码简介     

1. 数据归一化（用sklearn的逻辑回归一般要作数据归一化）
2. 用归一化数据训练逻辑回归模型                                      
3. 用训练好的逻辑回归模型预测                                          

   sklearn训练逻辑回归的Demo代码  

from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
import numpy as np

#----数据加载------
data = load_breast_cancer()
X    = data.data[:,4:8]  #这里我们只选择4个变量进行建模
y    = data.target
#----数据归一化------
xmin=X.min(axis=0)
xmax=X.max(axis=0)
X_norm=(X-xmin)/(xmax-xmin)

#-----训练模型--------------------
clf = LogisticRegression(random_state=0)            
clf.fit(X_norm,y)

#------模型预测-------------------------------
pred_y      = clf.predict(X_norm)              # 预测类别
pred_prob_y    = clf.predict_proba(X_norm)[:,1]   # 预测属于1类的概率

print( "模型系数(对应归一化数据):",clf.coef_[0])
print( "模型阈值(对应归一化数据):",clf.intercept_)
print( "模型准确率:",(pred_y== y).sum()/len(y))

运行结果：

模型系数(对应归一化数据): [ 0.18783816 -1.11495824 -3.6342363  -7.06872446]
模型阈值(对应归一化数据): [3.27959399]
模型准确率: 0.8980667838312829

注意：这里的模型系数是归一化后数据对应的模型系数

以上就是用sklearn实现逻辑回归的一个最简例子

 End