step 1：导入库函数
# 基础函数库
import numpy as np
import pandas as pd
#绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns
本次我们选择鸢花数据（iris）进行方法的尝试训练，该数据集一共包含5个变量，其中4个特征变量，1个目标分类变量。共有150个样本，目标变量为 花的类别 其都属于鸢尾属下的三个亚属，分别是山鸢尾 (Iris-setosa)，变色鸢尾(Iris-versicolor)和维吉尼亚鸢尾(Iris-virginica)。包含的三种鸢尾花的四个特征，分别是花萼长度(cm)、花萼宽度(cm)、花瓣长度(cm)、花瓣宽度(cm)，这些形态特征在过去被用来识别物种。
在这里插入图片描述
step 2: 数据的读取/载入
# 我们利用 sklearn 中自带的 iris 数据作为数据载入，并利用Pandas转化为DataFrame格式
from sklearn.datasets import load_iris
data = load_iris() #得到数据
iris_target = data.target #得到数据对应的标签，其中0，1，2分别代表'setosa', 'versicolor', 'virginica'三种不同花的类别。
iris_features = pd.DataFrame(data=data.data, columns=data.feature_names)
#data.data得到鸢尾花的数据（也就是花萼和花瓣各自的长宽）
#data.features_names得到data.data中各个数据的名称
#利用Pandas转化为DataFrame格式
step 3: 数据信息的简单查看
# 利用info()查看数据的整体信息
iris_features.info()
输出如下：
在这里插入图片描述
# 进行简单的数据查看，我们可以利用 .head() 头部或者.tail()尾部
iris_features.head()
输出如下:
在这里插入图片描述
# 利用value_counts函数查看每个类别数量
pd.Series(iris_target).value_counts()
iris_target 的输出如下：
在这里插入图片描述
pd.Series(iris_target)的输出如下：
在这里插入图片描述
pd.Series(iris_target).value_counts()的输出如下：
在这里插入图片描述
# 对于特征进行一些统计描述
iris_features.describe()
输出如下：
count
count代表数量，mean代表均值，std代表标准差
step 4：可视化描述
# 合并标签和特征信息
iris_all = iris_features.copy() # 进行浅拷贝，防止对于原始数据的修改
iris_all['target'] = iris_target #给拷贝的数据增加‘target’属性
# 特征与标签组合的散点可视化
sns.pairplot(data=iris_all,diag_kind='hist', hue= 'target')
# diag_kind='hist'设置主对角线为直方图，'kde'设置主对角线为密度图
# hue='target' 设置按照target字段进行分类
plt.show()
输出如下：
在这里插入图片描述
for col in iris_features.columns:
sns.boxplot(x='target', y=col, saturation=0.5,palette='pastel', data=iris_all)
# x轴为'target'，y为该数据特征的列，saturation为颜色的饱和度，palette为调色板，一共6种，本实验选择的是‘pastel’
plt.title(col) # 图表名称为数据特征的列
plt.show()
输出为（一共4个）：
在这里插入图片描述
# 选取其前三个特征绘制三维散点图
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure(figsize=(10,8))
ax = fig.add_subplot(111, projection='3d')
iris_all_class0 = iris_all[iris_all['target']==0].values
#上述代码得到类别为0的鸢尾花的所有数据，末尾'.values'把数据列表化，前四列为花萼和花瓣各自的长宽，最后一列为鸢尾花的类别
iris_all_class1 = iris_all[iris_all['target']==1].values
iris_all_class2 = iris_all[iris_all['target']==2].values
# 'setosa'(0), 'versicolor'(1), 'virginica'(2)
ax.scatter(iris_all_class0[:,0], iris_all_class0[:,1], iris_all_class0[:,2],label='setosa')
#只用到前三列
ax.scatter(iris_all_class1[:,0], iris_all_class1[:,1], iris_all_class1[:,2],label='versicolor')
ax.scatter(iris_all_class2[:,0], iris_all_class2[:,1], iris_all_class2[:,2],label='virginica')
plt.legend() # 显示图中点代表的类别
plt.show()
step 5：利用逻辑回归模型在二分类上进行训练和预测
# 为了正确评估模型性能，将数据划分为训练集和测试集，并在训练集上训练模型，在测试集上验证模型性能。
from sklearn.model_selection import train_test_split
# 选择其类别为0和1的样本 （不包括类别为2的样本）
iris_features_part = iris_features.iloc[:100] # '.iloc' 按照行号取值。类别0和类别1在前100个，所以取前100个
iris_target_part = iris_target[:100]
iris_features_part
# 测试集大小为20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(iris_features_part, iris_target_part, test_size = 0.2, random_state = 2020)
# random_state为随机数种子
# 从sklearn中导入逻辑回归模型
from sklearn.linear_model import LogisticRegression
# 定义 逻辑回归模型
clf = LogisticRegression(random_state=0, solver='lbfgs') #权重优化器，小型数据用lbfgs，大的用adam，另外还有sgd
# 在训练集上训练逻辑回归模型
clf.fit(x_train, y_train)
# 查看其对应的w
print('the weight of Logistic Regression:',clf.coef_)
## 查看其对应的w0
print('the intercept(w0) of Logistic Regression:',clf.intercept_)
输出如下：
在这里插入图片描述
# 分别在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics
## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))
## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)
# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
#annot表示在图中每个框都写入数字，cmap设置颜色渐变为蓝色
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()
输出如下：
在这里插入图片描述
step 6：逻辑回归模型 在三分类(多分类)上 进行训练和预测
# 测试集大小为20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(iris_features, iris_target, test_size = 0.2, random_state = 2020)
# 定义 逻辑回归模型
clf = LogisticRegression(random_state=0, solver='lbfgs')
# 在训练集上训练逻辑回归模型
clf.fit(x_train, y_train)
# 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
# 由于逻辑回归模型是概率预测模型（前文介绍的 p = p(y=1|x,\theta)）,所有我们可以利用 predict_proba 函数预测其概率
train_predict_proba = clf.predict_proba(x_train)
test_predict_proba = clf.predict_proba(x_test)
print('The test predict Probability of each class:\n',test_predict_proba)
## 其中第一列代表预测为0类的概率，第二列代表预测为1类的概率，第三列代表预测为2类的概率。
# 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))
输出如下（仅展示部分）：
在这里插入图片描述
# 查看混淆矩阵
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)
# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()
输出如下:
在这里插入图片描述
通过结果我们可以发现，其在三分类的结果的预测准确度上有所下降，其在测试集上的准确度为: 86.67% ，这是由于’versicolor’（1）和 ‘virginica’（2）这两个类别的特征，我们从可视化的时候也可以发现，其特征的边界具有一定的模糊性（边界类别混杂，没有明显区分边界），所有在这两类的预测上出现了一定的错误。
