原文链接：https://blog.csdn.net/qq_32575047/article/details/118524105
＜＜从零入门机器学习＞＞ 逻辑回归之预测考生是否通过考试
目录
- 1. 学习前需要掌握的知识以及问题背景
- 1.1 学习知识背景
- 1.2 考生成绩预测问题以及本实战的原始数据(testdata.csv文件放在文章的末尾，自行取)
- 2. 根据具体步骤解决问题
- 2.1 基于testdata.csv数据，建立逻辑回归模型，评估模型的表现。
- 2.2 预测Exam1 = 75，Exam2 = 60时，该同学能否通过Exam3。
- 2.3 建立二阶边界函数，重复任务1,2步骤。
1. 学习前需要掌握的知识以及问题背景
1.1 学习知识背景
学习本实战例子前提需要掌握机器学习中逻辑回归的概念，Python的基础语法，MSE，R2_score等变量的含义，以及数学求解过程，本篇博客默认是基于掌握如上知识点进行的。
1.2 考生成绩预测问题以及本实战的原始数据(testdata.csv文件放在文章的末尾，自行取)
如下是usa_housing_price.csv文件的部分数据截图，可见Exam1和Exam2两个属性都会影响到学生是否能通过下一次的考试(Pass：指的是学生下一次考试是否能通过 0-不能通过 1-能通过)。
image
现在基于testdata.csv数据，建立逻辑回归模型，预测考生是否能通过接下来的考试。主要预测问题分为三个步骤，如下所示：
1\. 基于testdata.csv数据，建立逻辑回归模型，评估模型的表现。
2\. 预测Exam1 = 75，Exam2 = 60时，该同学能否通过Exam3。
3\. 建立二阶边界函数，重复任务1,2步骤。
2. 根据具体步骤解决问题
2.1 基于testdata.csv数据，建立逻辑回归模型，评估模型的表现。
2.1.1 将testdata.csv文件通过pandas的read_csv(path)方法读取到内存中来，然后通过head()方法查看文件的部分内容特征，如下代码和图所示：
注意read_csv方法当中的path是存放testdata.csv文件的本地路径，每个人存放的路径都不同，可以自定义。
import pandas as pd
import numpy as np
data = pd.read_csv('D:/Google/picture/usa_housing_price.csv')
data.head()
data.head()方法显示出的内容和我们表格的表头内容格式一致，只不过其只显示源文件内容的一部分。
2.1.2 引入matplotlib包将Exam1作为x轴、Exam2作为y轴，可视化testdata.csv文件的数据，如下图所示：
%matplotlib inline #在console中生成图像
from matplotlib import pyplot as plt
fig1 = plt.figure()
plt.scatter(data.loc[:,'Exam1'],data.loc[:,'Exam2'])
plt.title('Exam1-Exam2')
plt.xlabel('Exam1')
plt.ylabel('Exam2')
plt.show()
image
2.1.3 将Pass特征值等于1赋值给mask变量，以mask变量作为分类的标签，将testdata.csv分为两类数据，如下图所示：
mask = data.loc[:,'Pass'] == 1
fig2 = plt.figure()
passed = plt.scatter(data.loc[:,'Exam1'][mask],data.loc[:,'Exam2'][mask])
failed = plt.scatter(data.loc[:,'Exam1'][~mask],data.loc[:,'Exam2'][~mask])
plt.title('Exam1-Exam2')
plt.xlabel('Exam1')
plt.ylabel('Exam2')
plt.legend((passed,failed),('passed','failed'))
plt.show()
image
2.1.4 将Exam1和Exam2作为x变量，Pass作为y变量，调用sklearn的逻辑回归模型，训练数据，代码如下：
#define x,y x->Exam1,Exam2 y->Pass
x = data.drop(['Pass'],axis=1) #axis->纵坐标 Exam1和Exam2
y = data.loc[:,'Pass'] #取出Pass->y
x1 = data.loc[:,'Exam1']
x2 = data.loc[:,'Exam2']
print(x.shape)
#establish the model and train it 模型训练
from sklearn.linear_model import LogisticRegression
LR = LogisticRegression()
LR.fit(x,y)
2.1.5 把训练集x作为输入参数，传入到训练好的模型中预测y的值y_predict，如下代码所示：
#show the predicted result and its accuracy
y_predict = LR.predict(x)
print(y_predict)
2.1.6 将y和y_predict传入accuracy_score方法并计算其系数，计算出的分数为0.89(系数越接近1越好)：
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y,y_predict)
print(accuracy)
2.1.7 逻辑回归一阶边界函数式为：theta0 + theta1 * x1 + theta2 * x2 = 0；我们通过刚刚训练的模型LR，可以求出theta0 、theta1和theta2，代码如下：
theta0 = LR.intercept_ #theta0 + theta1*x1 + theta2*x2 = 0 边界函数
theta1,theta2 = LR.coef_[0][0],LR.coef_[0][1]
print(theta0,theta1,theta2)
2.1.8 这时我们的一阶边界函数表达式就出来了，我们用上面的x1变量(代表Exam1)，将x1代入函数表达式中求解出x2_new，然后划出x1在边界函数对应下的x2_new(Exam2)，如下图所示：
#用原始数据的Exam1 ->x1 通过边界函数求解新的x2_new 然后画出直线
x2_new = -(theta0 + theta1*x1) / theta2
print(x2_new)
fig3 = plt.figure()
passed = plt.scatter(data.loc[:,'Exam1'][mask],data.loc[:,'Exam2'][mask])
failed = plt.scatter(data.loc[:,'Exam1'][~mask],data.loc[:,'Exam2'][~mask])
plt.plot(x1,x2_new)
plt.title('Exam1-Exam2')
plt.xlabel('Exam1')
plt.ylabel('Exam2')
plt.legend((passed,failed),('passed','failed'))
plt.show()
image
2.2 预测Exam1 = 75，Exam2 = 60时，该同学能否通过Exam3。
2.2.1 将Exam1和Exam2传入到LR的算法模型计算出是否该同学能通过Exam3的考试：
#exam1 = 70,exam2=65
y_test = LR.predict([[70,65]])
print('passed' if y_test==1 else 'failed')
2.3 建立二阶边界函数，重复任务1,2步骤。
2.3.1 通过以上的分析，建立一阶边界函数，训练数据集计算accuracy_socre以及可视化结果，达到的效果差强人意，那么我们尝试建立逻辑回归的二阶边界函数。尝试建立二阶边界函数：theta0+theta1 * x1+theta2 * x2+theta3 * x1^2+theta4 * x2^2+theta5 * x1 * x2，显然可见我们需要求解以下的变量：(x_new只是将这几个变量合在一起，然后转换成矩阵)
#create new data
x1_2 = x1 * x1
x2_2 = x2 * x2
x1_x2 = x1 * x2
x_new = {'x1':x1,'x2':x2,'x1_2':x1_2,'x2_2':x2_2,'x1_x2':x1_x2}
x_new = pd.DataFrame(x_new)
print(x_new)
image
2.3.2 将x_new和y放入LR2训练模型，并评估分数为1.0，代码如下：
LR2 = LogisticRegression()
LR2.fit(x_new,y)
y2_predict = LR2.predict(x_new)
accuracy2 = accuracy_score(y,y2_predict)
print(accuracy2)
2.3.3 通过上面的二阶边界函数和训练出来的LR算法模型，可以计算出二阶函数表达式的几个参数：
#二阶边界函数 theta0+theta1*x1+theta2*x2+theta3*x1^2+theta4*x2^2+theta5*x1*x2
#ax^2+bx+c=0-> x1 = (-b+(b^2-4ac)^5)/2a,x1 = (-b-(b^2-4ac)/2a)(分数不可以为负,舍去)
#theta4*x2^2+(theta5*x1+theta2)x2 + (theta0+theta1*x1+theta3*x1^2) = 0
theta0 = LR2.intercept_
theta1,theta2,theta3,theta4,theta5 = LR2.coef_[0][0],LR2.coef_[0][1],LR2.coef_[0][2],LR2.coef_[0][3],LR2.coef_[0][4]
print(theta0,theta1,theta2,theta3,theta4,theta5)
2.3.4 和一阶函数一样的思路，将x1_new代入二阶边界函数当中，然后计算出x2_new_boundary的值，并且可视化数据：
x1_new = x1.sort_values() #x1从小到大排序 升序排列
a = theta4
b = theta5*x1_new+theta2
c = theta0+theta1*x1_new+theta3*x1_new*x1_new
#一元二次方程求根公式：x=[-b±√(b²-4ac)]/2a
x2_new_boundary = (-b+np.sqrt(b*b-4*a*c)) / (2*a)
print(x2_new_boundary)
fig4 = plt.figure()
passed = plt.scatter(data.loc[:,'Exam1'][mask],data.loc[:,'Exam2'][mask])
failed = plt.scatter(data.loc[:,'Exam1'][~mask],data.loc[:,'Exam2'][~mask])
plt.plot(x1_new ,x2_new_boundary)
plt.title('Exam1-Exam2')
plt.xlabel('Exam1')
plt.ylabel('Exam2')
plt.legend((passed,failed),('passed','failed'))
plt.show()
image
