Python中的Logistic回归-建立分类器

并不要求你必须从头开始建立分类器。构建分类器很复杂，需要一些领域的知识，如统计学、概率理论、优化技术等等。市场上有几个预建库，它们对这些分类器有充分的测试和非常有效的实现。我们将使用 sklearn 中的一个这样的预建模型 。

sklearn分类器

从sklearn工具包中创建Logistic Regression分类器是非常简单的，只需一条程序语句就可以完成，如图所示

In [22]: classifier = LogisticRegression(solver='lbfgs',random_state=0)

一旦分类器被创建，你将把你的训练数据送入分类器，这样它就可以调整其内部参数，并为预测你未来的数据做好准备。为了调整分类器，我们运行下面的语句–

In [23]: classifier.fit(X_train, Y_train)

现在分类器已经准备好进行测试了。下面的代码是执行上述两个语句的输出结果 –

Out[23]: LogisticRegression(C = 1.0, class_weight = None, dual = False, 
   fit_intercept=True, intercept_scaling=1, max_iter=100, 
   multi_class='warn', n_jobs=None, penalty='l2', random_state=0, 
   solver='lbfgs', tol=0.0001, verbose=0, warm_start=False))

现在，我们已经准备好测试创建的分类器了。我们将在下一章中处理这个问题。