标签：plt 非线性 笔记 xx import model data sklearn

本博客仅用于个人学习，不用于传播教学，主要是记自己能够看得懂的笔记（

学习知识、资源和数据来自：机器学习算法基础-覃秉丰_哔哩哔哩_bilibili

用sklearn库就灰常简单啦~

可以自己用make_gaussian_quantiles生成数据。（就不用再把数据搞上来了）

代码：

from sklearn.preprocessing import PolynomialFeatures
from sklearn import preprocessing
from sklearn import linear_model
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_gaussian_quantiles

#生成正态分布的数据，可以设置数量和维度等
x_data,y_data=make_gaussian_quantiles(n_samples=500,n_features=2,n_classes=2)
plt.scatter(x_data[:,0],x_data[:,1],c=y_data)
plt.show()

#首先线性逻辑回归
model=linear_model.LogisticRegression()
model.fit(x_data,y_data)

w=model.coef_
b=model.intercept_
z=-(b+w[0,0]*x_data[:,0])/w[0,1]
plt.scatter(x_data[:,0],x_data[:,1],c=y_data)
plt.plot(x_data[:,0],z,'k')
plt.show()

#求出R^2值，相当于准确率
print(model.score(x_data,y_data))

poly=PolynomialFeatures(degree=3)
X_data=poly.fit_transform(x_data)
model=linear_model.LogisticRegression()
model.fit(X_data,y_data)

xmi=x_data[:,0].min()-1
xma=x_data[:,0].max()+1
ymi=x_data[:,1].min()-1
yma=x_data[:,1].max()+1
xx=np.arange(xmi,xma,0.02)
yy=np.arange(ymi,yma,0.02)
xx,yy=np.meshgrid(xx,yy)
z=model.predict(poly.fit_transform(np.c_[xx.ravel(),yy.ravel()])) #求出全图的预测值
z=z.reshape(xx.shape)

plt.contourf(xx,yy,z) #等高线图
plt.scatter(x_data[:,0],x_data[:,1],c=y_data)
plt.show()

print(model.score(X_data,y_data))

得到结果：

0.538

0.994

参考博客：

机器学习算法的随机数据生成 - 刘建平Pinard - 博客园 (cnblogs.com)

sklearn.datasets.make_gaussian_quantiles — scikit-learn 0.24.2 documentation

API解析------------在逻辑回归中predict()与score()的用法_data_curd的博客-CSDN博客

标签：plt,非线性,笔记,xx,import,model,data,sklearn
来源： https://www.cnblogs.com/lunnyliu/p/15075928.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。