第五章28课件讲解.pptxVIP

第五章汇报人：人工智能专业使用逻辑回归进行分类

逻辑回归算法的Sklearn实现PARTONE

3Sklearn的linear_model模块提供了LogisticRegression类，用于实现逻辑回归。在Sklearn中，可通过下面语句导入逻辑回归模型。fromsklearn.linear_modelimportLogisticRegression5.2.1Sklearn中的逻辑回归模块

4LogisticRegression类提供了如下参数。④sag表示随机平均梯度下降，是梯度下降法的变种，适合于样本数据较多的情况。①liblinear表示内部使用了梯度下降法迭代优化损失函数。②lbfgs是一种拟牛顿法，利用损失函数二阶导数矩阵迭代优化损失函数。③newton-cg也是利用损失函数二阶导数矩阵迭代优化损失函数，其复杂度较低。（1）参数solver用来指定损失函数的优化方法，其取值有4个，分别为liblinear、lbfgs、newton-cg和sag。交叉验证法点击此处播放微课5.2.1Sklearn中的逻辑回归模块

5（2）参数penalty用于指定损失函数的正则化参数，其取值为“l1”或“l2”（默认值）。其中，“l2”支持liblinear、lbfgs、newton-cg和sag这4种算法，“l1”只支持liblinear算法。（4）参数C用来表示正则化系数的倒数，必须为正数，默认为1。C值越小，代表正则化越强。（3）参数fit_intercept用来设置是否存在截距，默认为True，存在截距。添砖加瓦在Sklearn中，除LogisticRegression类外，LogisticRegressionCV类和logistic_regression_path类也可以用来做逻辑回归。其中，两者的主要区别是LogisticRegressionCV类使用了交叉验证来选择正则化系数C，而logistic_regression_path类需要自己指定一个正则化系数。5.2.1Sklearn中的逻辑回归模块

6表3-4顾客是否购买辣椒酱数据集【例3-1】某超市为了分析顾客是否要购买新引进的辣椒酱，以“辣椒酱的辣度与保质期两因素对购买决定的影响”为主题，随机对24名顾客进行了调查，得到的数据如表3-4所示。使用逻辑回归对该问题进行建模，并判定新辣椒酱（，）是否为顾客所购买。顾客y顾客y1231133512341142413651155614441163615321173316471184517540194208430205509750216701033022530114402364012520246605.2.2逻辑回归应用举例

7（1）这是一个二分类问题，有两个特征变量，逻辑回归模型可表示为【程序分析】为了求模型参数、与b的值，需计算似然函数的最大值。将数据集中1～12号顾客作为训练集，13～24号顾客作为测试集，计算参数的值。5.2.2逻辑回归应用举例

8【参考代码】#导入NumPy与逻辑回归模型importnumpyasnpfromsklearn.linear_modelimportLogisticRegression#输入训练集数据x=np.array([[2,3],[3,4],[6,5],[4,4],[3,2],[4,7],[5,4],[4,3],[7,5],[3,3],[4,4],[5,2]]) #特征变量：辣椒酱辣度与保质期y=np.array([[1],[1],[1],[1],[1],[1],[0],[0],[0],[0],[0],[0]]) #顾客是否购买，1表示购买，0表示不购买#建立模型，训练模型model=LogisticRegression() model.fit(x,y.ravel()) #求解逻辑回归方程参数print(w=,model.coef_,b=,model.intercept_)（1）这是一个二分类问题，有两个特征变量，逻辑回归模型可表示为5.2.2逻辑回归应用举例

9【运行结果】图3-3逻辑回归方程参数即得到的逻辑回归模型为。程序运行结果如图3-3所示。（1）这是一个二分类问题，有两个特征变量，逻辑回归模型可表示为5.2.2逻辑回归应用举例