sklearn实现逻辑回归

首先咱们来看下面一组数据集：

 

 前面的x1与x2都表示的是年收入和年龄这两个因素决定的是否买车的结果。

开始代码部分，咱们先输入x和y的变量，开始输入数据：

from sklearn import linear_model
X=[[20,3],
   [23,7],
   [31,10],
   [42,13],
   [50,7],
   [60,5]]

Y=[0,
   1,
   1,
   1,
   0,
   0]

拟合逻辑回归模型：

lr=linear_model.LogisticRegression(solver='liblinear')#在新版的sklearn当中只须要指定后面的参数值就不会进行报错啦！
lr.fit(X,Y)

这个时候咱们的模型已经拟合好了，如今能够开始进行输出了，随便用一个数据来测试在这个模型下这我的是否买车，以及是否买车的几率：

textX=[[28,8]]
lable=lr.predict(textX)#看它是否有车，1表示有

输出：

array([1])

输出为一，说明这我的已经买车了，下面是输出几率：

#如今输出有车的几率
predict=lr.predict_proba(textX)
predict

输出为：

array([[0.14694811, 0.85305189]])
#前面有两个值，这是由于前面的一个几率预测为0的几率，后面的为几率预测为1的几率

得解也，逻辑回归模型的编程仍是十分容易的啦