1.1目标

使用 scikit-learn 培训 Logit模型模型。

1.2数据集

import numpy as np

X = np.array([[0.5, 1.5], [1,1], [1.5, 0.5], [3, 0.5], [2, 2], [1, 2.5]])
y = np.array([0, 0, 0, 1, 1, 1])

1.3Fit模型

下面的代码导入了 scikit-learn 的 Logit模型模型。您可以通过调用 fit 函数将此模型适合于训练数据。

from sklearn.linear_model import LogisticRegression

lr_model = LogisticRegression()
lr_model.fit(X, y)

输出：

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
          intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1,
          penalty='l2', random_state=None, solver='liblinear', tol=0.0001,
          verbose=0, warm_start=False)

1.4预测

通过调用预测函数，您可以看到这个模型所做的预测。

y_pred = lr_model.predict(X)

print("Prediction on training set:", y_pred)

输出：

Prediction on training set: [1 1 1 1 1 1]

1.5计算准确度

您可以通过调用 score 函数来计算这个模型的精度。

print("Accuracy on training set:", lr_model.score(X, y))

输出：

Accuracy on training set: 0.5