Iris花逻辑回归与实现

Iris花的分类是经典的逻辑回归的代表；但是其代码中包含了大量的python库的核心处理模式，这篇文章就是剖析python代码的文章。

 #取用下标为2，3的两个feture，分别是花的宽度和长度；
 #第一个维度取“：”代表着所有行，第二个维度代表列范围，这个参数模式其实和reshape很像
 X = iris["data"][:, (2,3)]
 y = (iris["target"]==2).astype(np.int) #分类做了数字转化，如果是Iris，ture，则强转为整型1，false则强转为0
 log_reg = LogisticRegression(C=10**10) #设定C值，C代表精度，是控制外形边缘的准确度，值越大，则精度越高
 log_reg.fit(X, y) #对于数据进行学习，获取模型参数，比如coef，intercepted等
 # meshgrid是将参数中p1和p2进行坐标转换，下面将会详细介绍
 # np.linspace则是将2.9到7等分500份，reshape(-1,1)代表行数根据实际情况，列数为1
 x0, x1=np.meshgrid(np.linspace(2.9, 7, 500).reshape(-1, 1),
 np.linspace(0.8, 2.7, 200).reshape(-1,1))
 # raval和flatter意义很类似，只不过raval返回的引用，对于返回值的修改将会影响到原始数据（x0,x1），后者则返回copy，和原始数据无关
 # 关于np.c_则是实现了数组的融合，下面有具体的示例
 X_new = np.c_[(x0.ravel(), x1.ravel())]
 # 回归的predic只是返回预测值（返回所有分类中最大的那个），predict_proba则是返回所有类别的预测值
 y_probe = log_reg.predict_proba(X_new)
 plt.figure(figsize=(10,4))
 # 这个X[y==0, 0]表达的意思比较复杂，代表的是y值是0（0代表某个分类）的对应X值，这个说法完美解释了X[y==0]，那么X[y==0, 0]的涵义就是X值的第一个特征值，
18 # 类似的X[y==0,1]代表X值的第二个特征值；从题头可以获知X是两个特征元组集合，第一个代表宽度，第二个代表长度；
 plt.plot(X[y==0, 0], X[y==0,1], "bs")
 plt.plot(X[y==1, 0], X[y==1, 1], "g^")
 zz=y_probe[:, 1].reshape(x0.shape)
 # contour的意思是等高线（下面有详细的介绍）
 contour=plt.contour(x0, x1,zz, cmap=plt.cm.brg)
 plt.clabel(contour, inline=1, fontsize=12)

 left_right=np.array([2.9, 7])
 # 这个公式确实不知道是怎么来的，boundary的获取为什么是这个公式？
 boundary = -(log_reg.coef_[0][0] * left_right + log_reg.intercept_[0]) / log_reg.coef_[0][1]
 plt.plot(left_right, boundary, "k--", linewidth=3)
 plt.text(3.2, 1.5, "Not iris", fontsize=14, color="b", ha="center")
 plt.text(6.5, 2.25, "iris", fontsize=14, color="g", ha="center")
 plt.axis([2.9, 7,0.8, 2.7])
 plt.show()

关于数据等高线的示例demo：

 def height(x, y):
 　　return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)

 x = np.linspace(-3, 3, 300)
 y = np.linspace(-3, 3, 300)
 X, Y = np.meshgrid(x, y)
 plt.contourf(X, Y, height(X,Y), 10, alpha=0.75, cmap=plt.cm.hot)
 C = plt.contour(X, Y, height(X, Y), colors="black")
 plt.clabel(C, inline=True, fontsize=10)
 plt.xticks()
 plt.yticks()
 plt.show()

Numpy.c_示例

>>> np.c_[np.array([1,2,3]), np.array([4,5,6])]

array([[1, 4],

[2, 5],

[3, 6]])

>>> np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]

array([[1, 2, 3, 0, 0, 4, 5, 6]])

参考

数据等高线

https://blog.csdn.net/qq_33506160/article/details/78450

关于meshgrid

https://www.cnblogs.com/sunshinewang/p/6897966.html

https://docs.scipy.org/doc/numpy/reference/generated/numpy.meshgrid.html

关于ravel

https://blog.csdn.net/liuweiyuxiang/article/details/78220080

https://docs.scipy.org/doc/numpy/reference/generated/numpy.ravel.html

关于numpy.c_

https://docs.scipy.org/doc/numpy/reference/generated/numpy.c_.html

关于coef_和intercept_（虽然我并没有看懂）

https://blog.csdn.net/u010099080/article/details/52933430?utm_source=itdadao&utm_medium=referral