当前位置： 首页 > java >正文

人工智能机器学习——逻辑回归

java 2025/9/5 11:31:20

一、分类问题(Classification)

垃圾邮件检测
在这里插入图片描述

流程

  • 标注样本邮件未垃圾/普通邮件（人)
  • 获取批量的样本邮件及其标签，学习其特征（计算机）
  • 针对新的邮件，自动判断其类别（计算机）

在这里插入图片描述
图像分类
在这里插入图片描述
数字识别
在这里插入图片描述
分类

分类：根据已知样本的某些特征，判断一个新的样本属于哪种已知的样本类

在这里插入图片描述

二、分类方法

  • 逻辑回归
    在这里插入图片描述
  • KNN近邻模型
    在这里插入图片描述
  • 决策树
    在这里插入图片描述
  • 神经网络
    在这里插入图片描述
    在这里插入图片描述
    逻辑回归
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

三、考试通过预测，使用数据集examdata.csv

#加载数据
import pandas as pd
import numpy as np
data = pd.read_csv('examdata.csv')
data.head()

在这里插入图片描述

#画散点图
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()

在这里插入图片描述

#区分数据
mask = data.loc[:,'Pass']==1
print(mask)

在这里插入图片描述

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()

在这里插入图片描述

#赋值x，y
x = data.drop(['Pass'],axis=1)
x.head()

在这里插入图片描述

x1 = data.loc[:,'Exam1']
x2 = data.loc[:,'Exam2']

y = data.loc[:,'Pass']
y.head()

在这里插入图片描述

#打印x,y维度
print(x.shape,y.shape)

在这里插入图片描述

#训练逻辑回归模型
from sklearn.linear_model import LogisticRegression
LR = LogisticRegression()
LR.fit(x,y)

在这里插入图片描述

#预测结果
y_predict = LR.predict(x)
print(y_predict)

在这里插入图片描述

#打印预测准确率
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y,y_predict)
print(accuracy)

在这里插入图片描述

#预测新数据
X_test = pd.DataFrame([[70,65]],columns=['Exam1','Exam2'])
y_test = LR.predict(X_test)
print('passed' if y_test==1 else 'failed')

在这里插入图片描述

#边界曲线
LR.coef_

在这里插入图片描述

LR.intercept_

在这里插入图片描述

theta0 = LR.intercept_
theta1,theta2 = LR.coef_[0][0],LR.coef_[0][1]
print(theta0,theta1,theta2)

在这里插入图片描述

X2_new = -(theta0+theta1*x1)/theta2
print(X2_new)

在这里插入图片描述

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()

在这里插入图片描述

#使用二阶边界函数
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)

在这里插入图片描述

#创建模型2
LR2 = LogisticRegression(solver='liblinear', max_iter=1000)# solver='saga',    # 最通用的求解器 max_iter=1000,    # 足够的迭代次数
LR2.fit(X_new,y)

在这里插入图片描述

#预测结果
y_2_predict = LR2.predict(X_new)
print(y_2_predict)

在这里插入图片描述

#打印预测准确率
accuracy = accuracy_score(y,y_2_predict)
print(accuracy)

在这里插入图片描述

#对x1排序
X1_new = x1.sort_values()
print(x1,X1_new)

在这里插入图片描述

LR2.coef_

在这里插入图片描述

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]
a = theta4
b = theta5*X1_new+theta2
c = theta0+theta1*X1_new+theta3*X1_new*X1_new
X2_new_boundary = (-b+np.sqrt(b*b-4*a*c))/(2*a)print(theta0,theta1,theta2,theta3,theta4,theta5)
print(X2_new_boundary)

在这里插入图片描述

fig4 = plt.figure()
plt.plot(x1,X2_new_boundary)

在这里插入图片描述

fig5 = 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_boundary)
plt.title("Exam1-Exam2")
plt.xlabel("Exam1")
plt.ylabel("Exam2")
plt.legend((passed,failed),("passed","failed"))
plt.show()

在这里插入图片描述

四、芯片质量预测实战，使用数据集chip_test.csv

#加载数据
import pandas as pd
import numpy as np
data = pd.read_csv('chip_test.csv')
data.head()

在这里插入图片描述

#画散点图
from matplotlib import pyplot as plt
fig6 = plt.figure()
plt.scatter(data.loc[:,'test1'],data.loc[:,'test2'])
plt.title("test1-test2")
plt.xlabel("test1")
plt.ylabel("test2")
plt.show()

在这里插入图片描述

#区分数据
mask = data.loc[:,'pass']==1
print(mask)

在这里插入图片描述

fig7 = plt.figure()
passed = plt.scatter(data.loc[:,'test1'][mask],data.loc[:,'test2'][mask])
failed = plt.scatter(data.loc[:,'test1'][~mask],data.loc[:,'test2'][~mask])
plt.title("test1-test2")
plt.xlabel("test1")
plt.ylabel("test2")
plt.legend((passed,failed),("passed","failed"))
plt.show()

在这里插入图片描述

#赋值x，y
x = data.drop(['pass'],axis=1)
x1 = data.loc[:,'test1']
x2 = data.loc[:,'test2']
y = data.loc[:,'pass']
#使用二阶边界函数
X1_2 = x1*x1
X2_2 = x2*x2
X1_X2 = x1*x2X_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)

在这里插入图片描述

#创建模型2
LR2 = LogisticRegression(solver='liblinear', max_iter=1000)# solver='saga',    # 最通用的求解器 max_iter=1000,    # 足够的迭代次数
LR2.fit(X_new,y)

在这里插入图片描述

#预测结果
y_2_predict = LR2.predict(X_new)
print(y_2_predict)

在这里插入图片描述

#打印预测准确率
accuracy = accuracy_score(y,y_2_predict)
print(accuracy)

在这里插入图片描述

#对x1排序
X1_new = x1.sort_values()
print(x1,X1_new)

LR2.coef_

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)

在这里插入图片描述

a = theta4
b = theta5*X1_new+theta2
c = theta0+theta1*X1_new+theta3*X1_new*X1_new
X2_new_boundary = (-b+np.sqrt(b*b-4*a*c))/(2*a)
print(X2_new_boundary)

在这里插入图片描述

fig8 = plt.figure()
plt.plot(X1_new,X2_new_boundary)

在这里插入图片描述

fig9 = plt.figure()
passed = plt.scatter(data.loc[:,'test1'][mask],data.loc[:,'test2'][mask])
failed = plt.scatter(data.loc[:,'test1'][~mask],data.loc[:,'test2'][~mask])
plt.plot(X1_new,X2_new_boundary)
plt.title("test1-test2")
plt.xlabel("test1")
plt.ylabel("test2")
plt.legend((passed,failed),("passed","failed"))
plt.show()

在这里插入图片描述

#定义边界函数
def f(x):a = theta4b = theta5*x+theta2c = theta0+theta1*x+theta3*x*xX2_new_boundary1 = (-b+np.sqrt(b*b-4*a*c))/(2*a)X2_new_boundary2 = (-b-np.sqrt(b*b-4*a*c))/(2*a)return X2_new_boundary1,X2_new_boundary2

X2_new_boundary1 = []
X2_new_boundary2 = []
for x in X1_new:X2_new_boundary1.append(f(x)[0])X2_new_boundary2.append(f(x)[1])
print(X2_new_boundary1,X2_new_boundary2)

fig10 = plt.figure()
passed = plt.scatter(data.loc[:,'test1'][mask],data.loc[:,'test2'][mask])
failed = plt.scatter(data.loc[:,'test1'][~mask],data.loc[:,'test2'][~mask])
plt.plot(X1_new,X2_new_boundary1)
plt.plot(X1_new,X2_new_boundary2)
plt.title("test1-test2")
plt.xlabel("test1")
plt.ylabel("test2")
plt.legend((passed,failed),("passed","failed"))
plt.show()

在这里插入图片描述

X1_range = [-0.9+x/10000 for x in range(0,19000)]
X1_range = np.array(X1_range)
X2_new_boundary1 = []
X2_new_boundary2 = []
for x in X1_range:X2_new_boundary1.append(f(x)[0])X2_new_boundary2.append(f(x)[1])
print(X2_new_boundary1,X2_new_boundary2)

fig11 = plt.figure()
passed = plt.scatter(data.loc[:,'test1'][mask],data.loc[:,'test2'][mask])
failed = plt.scatter(data.loc[:,'test1'][~mask],data.loc[:,'test2'][~mask])
plt.plot(X1_range,X2_new_boundary1)
plt.plot(X1_range,X2_new_boundary2)
plt.title("test1-test2")
plt.xlabel("test1")
plt.ylabel("test2")
plt.legend((passed,failed),("passed","failed"))
plt.show()

在这里插入图片描述

http://www.xdnf.cn/news/20083.html

相关文章：

  • go 初始化组件最佳实践
  • ai生成ppt工具有哪些？10款主流AI生成PPT工具盘点
  • 中州养老:角色管理的角色分页查询
  • 渗透测试与网络安全审计的关系
  • （论文速读）Navigation World Models: 让机器人像人类一样想象和规划导航路径
  • MySQL主从复制之进阶延时同步、GTID复制、半同步复制完整实验流程
  • aippt自动生成工具有哪些？一文看懂，总有一款适合你！
  • Java数据结构——栈（Stack）和队列（Queue）
  • Qt---状态机框架QState
  • 【Sharding-JDBC】​Spring/Spring Boot 集成 Sharding-JDBC，分表策略与 API、YAML 配置实践​
  • 达梦数据库-共享内存池
  • 3.3.3 钢结构工程施工
  • Kubernetes知识点（三）
  • 探究Linux系统的SSL/TLS证书机制
  • 河南萌新联赛2025第（七）场：郑州轻工业大学
  • 直接让前端请求代理到自己的本地服务器，告别CV报文到自己的API工具，解放双手
  • android View详解—自定义ViewGroup,流式布局
  • 亚洲数字能源独角兽的 “安全密码”：Parasoft为星星充电筑牢软件防线
  • MongoDB 高可用部署：Replica Set 搭建与故障转移测试
  • SpringCloud微服务基于nacos注册中心的服务发现模式及OpenFeign的使用
  • Redis在商城开发中起到什么作用？
  • 漏洞修复 Nginx TLSSSL 弱密码套件
  • 2025国赛C题保姆级教程思路分析 NIPT 的时点选择与胎儿的异常判定
  • 【完整源码+数据集+部署教程】陶瓷物品实例分割系统源码和数据集：改进yolo11-LVMB
  • 第22节：性能监控与内存管理——构建高性能3D应用
  • 3ds Max流体模拟终极指南：打造逼真液体效果，从瀑布到杯中溢出的饮料！
  • 240. 搜索二维矩阵 II
  • 2025年含金量高的经济学专业证书工科！【纯干货分享】
  • 文件系统-哈希结构文件
  • 食物分类案例优化 调整学习率和迁移学习