scikit-learn 逻辑回归 iris示例

scikit-learn 逻辑回归iris示例scikitlearn 逻辑回归iris示例
逻辑回归是一种广泛应用于分类问题的机器学习算法。

在本文中，我们将使用scikitlearn包中的逻辑回归算法来解决一个经典的分类问题，即鸢尾花数据集（iris dataset）。

鸢尾花数据集是一个常用的机器学习测试数据集，包含了三种不同类别的鸢尾花，每类50个样本，共150个样本。

数据集中的四个特征是鸢尾花的花萼长度、花萼宽度、花瓣长度和花瓣宽度。

首先，我们需要导入需要的库和模块，并加载鸢尾花数据集。

以下是导入库和加载数据集的代码：
python
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target
接下来，我们将数据集分为训练集和测试集。

我们将使用80的数据作为训练集，20的数据作为测试集，可以通过将数据集按比例切分来实现。

以下是切分数据集的代码：
python
from sklearn.model_selection import train_test_split
# 切分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
在接下来的步骤中，我们将创建一个逻辑回归模型，并使用训练集对其进行训练。

逻辑回归模型是一个二分类模型，可以使用
`sklearn.linear_model.LogisticRegression`类创建。

以下是创建模型和训练的代码：
python
# 创建逻辑回归模型
model = LogisticRegression()
# 在训练集上拟合（训练）模型
model.fit(X_train, y_train)
在模型训练完成后，我们可以使用训练好的模型在测试集上进行预测，并评估模型的性能。

以下是对测试集进行预测和性能评估的代码：
python
# 在测试集上进行预测
y_pred = model.predict(X_test)
# 计算模型的准确率
accuracy = model.score(X_test, y_test)
逻辑回归模型的预测结果将会是0或1，即所属类别的标签。

使用模型的`predict()`方法可以对给定的输入特征进行预测，而`score()`方法可以计算模型的准确率。

最后，我们可以打印出模型的准确率以及预测结果与实际标签之间的对比，以更好地理解模型的性能。

以下是打印结果和对比的代码：
python
# 打印模型的准确率
print("模型准确率：", accuracy)
# 打印预测结果与实际标签对比
for i in range(len(y_pred)):
print("预测值：", y_pred[i], "实际值：", y_test[i])
通过打印模型的准确率和预测结果与实际标签的对比，我们可以对模型的性能有一个初步的了解。

综上所述，我们使用了scikitlearn中的逻辑回归算法来解决了一个分类问题，即鸢尾花数据集的分类。

通过加载数据集、切分数据集、创建模型、训练模型、预测和评估模型性能，我们一步一步地完成了整个过程，并打印出了模型的准确率和预测结果与实际标签的对比。

逻辑回归模型是一个简单而有效的分类算法，在实际应用中也有广泛的应用。