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。