sklearn——线性逻辑回归和非线性逻辑回归

线性逻辑回归

本文用代码实现怎么利用sklearn来进行线性逻辑回归的计算，下面先来看看用到的数据。

这是有两行特征的数据，而后第三行是数据的标签。
python代码
首先导入包和载入数据

写一个画图的函数，把这些数据表示出来：

而后咱们调用这个函数获得下面的图像：

接下来开始建立模型并拟合，而后调用sklearn里面的逻辑回归方法，里面的函数能够自动帮算出权值和偏置值，很是简单，接着画出图像。


最后咱们能够来看看评估值：


能够看到，正确率、召回率、F1值都达到了95%。

非线性逻辑回归

非线性逻辑回归意味着决策边界是曲线，和线性逻辑回归的原理是差很少的，这里用到的数据是datasets自动生成的，


接下来要把数据进行多项式处理，简单地说就是增长数据的特征，

而后规定好图像的坐标值，并生成一个网格矩阵，

定义一个等高线的高，

结果一目了然，很好的分红了两类：

看一下准确率，98%，说明算比较成功，准确率很高。

线性逻辑回归和非线性逻辑回归用到的代价函数都是同样的，原理相同，只不过是预估函数的复杂度不同，非线性逻辑回归要对数据进行多项式处理，增长数据的特征量。