介绍
这期内容当中小编将会给大家带来有关使用python实现逻辑回归,文章内容丰富且以专业的角度为大家分析和叙述,阅读完这篇文章希望大家可以有所收获。
代码
进口numpy np
进口matplotlib。pyplot作为plt
从sklearn.datasets。samples_generator进口make_classification
def initialize_params (dim):
w=np。0 ((dim, 1))
b=0
返回w b
def乙状结肠(x):
z=1/(1 + np.exp (- x))
返回z
def物流(X, y, w, b):
num_train=X.shape [0]
y_hat=乙状结肠(np。点(X, w) + b)
损失=1/num_train * np。总和(y * np.log (y_hat) + (1 y) * np.log (1-y_hat))
成本=1/num_train * np。总和(y * np.log (y_hat) + (1 - y) * np。日志(1 - y_hat))
dw=np.dot (X。T (y_hat - y))/num_train
db=np。(y_hat - y)/num_train求和
返回y_hat、成本、dw, db
def linear_train (X, y, learning_rate时代):
#参数初始化
w, b=initialize_params (X.shape [1])
loss_list=[]
因为我在范围(时代):
#计算当前的预测值,损失和梯度
y_hat、损失,dw, db=物流(X, y, w, b)
loss_list.append(损失)
#基于梯度下降的参数更新
w +=-learning_rate * dw
b +=-learning_rate * db
#打印迭代次数和损失
如果我% 10000==0:
打印(“时代% d % f"损失;%(我损失))
#保存参数
params={
& # 39;w # 39;: w,
& # 39;b, b
}
#保存梯度
毕业生={
& # 39;dw # 39;: dw,
& # 39;db # 39;: db
}
返回loss_list,损失,params,毕业生
def预测(X, params):
w=params [& # 39; w # 39;】
b=params [& # 39; b # 39;】
y_pred=乙状结肠(np。点(X, w) + b)
返回y_pred
if __name__==癬_main__":
#生成数据
X,标签=make_classification (n_samples=100,
n_features=2,
n_informative=2,
n_redundant=0,
random_state=1,
n_clusters_per_class=2)
打印(X.shape)
打印(labels.shape)
#生成伪随机数
rng=np.random.RandomState (2)
X +=2 * rng.uniform(大?X.shape)
#划分训练集和测试集
抵消=int (X。形状[0]* 0.9)
X_train y_train=X(抵消),标签(抵消):
X_test y_test=X(抵消:),标签(抵消:)
y_train=y_train。重塑((1,1))
y_test=y_test。重塑((1,1))
打印(& # 39;X_train=& # 39;, X_train.shape)
打印(& # 39;y_train=& # 39;, y_train.shape)
打印(& # 39;X_test=& # 39;, X_test.shape)
打印(& # 39;y_test=& # 39;, y_test.shape)
#训练
loss_list,损失,params,毕业生=linear_train (X_train y_train, 0.01, 100000)
打印(params)
#预测
y_pred=预测(X_test params)
print (y_pred [10]) 上述就是小编为大家分享的使用python实现逻辑回归了,如果刚好有类似的疑惑,不妨参照上述分析进行理解。如果想知道更多相关知识,欢迎关注行业资讯频道。
