Python之逻辑回归

代码：

 import numpy as np
 from sklearn import datasets
 from sklearn.linear_model import LogisticRegression
 import matplotlib.pyplot as plt

 __author__ = 'zhen'

 iris = datasets.load_iris()

 for i in range(0, 4):
     x = iris['data'][:, i:i+1]  # 获取训练数据
     y = iris['target']

     param_grid = {"tol": [1e-4, 1e-3, 1e-2], "C": [0.4, 0.6, 0.8]}

     log_reg = LogisticRegression(multi_class='ovr', solver='sag', max_iter=1000)  # ovr:二分类
     log_reg.fit(x, y)

     # 改变数据的样式，reshape(rows, columns)，当rows=-1时，表示任意行
     x_new = np.linspace(0, 3, 1000).reshape(-1, 1)

     y_proba = log_reg.predict_proba(x_new)
     y_hat = log_reg.predict(x_new)

     print("y_prob:\n{}\ny_hat\n{}".format(y_proba, y_hat[:: 10]))
     print("="*60)

     # 画图
     plt.subplot(2, 2, i+1)
     plt.plot(x_new, y_proba[:, 2], 'g-', label='Iris-Virginica')
     plt.plot(x_new, y_proba[:, 1], 'r-', label='Iris-Versicolour')
     plt.plot(x_new, y_proba[:, 0], 'b-', label='Iris-Setosa')

     if i == 3:
         plt.show()

结果：

　　训练1：

　　

　　训练2：

　　

　　训练3：

　　

　　训练4：

　　

分析：

　　有训练结果可知，训练4最具有合理性（分类清晰）：