Python實現鳶尾花數據集分類問題——基於skearn的LogisticRegression

Python實現鳶尾花數據集分類問題——基於skearn的LogisticRegression

 

一. 邏輯回歸   

邏輯回歸（Logistic Regression）是用於處理因變量為分類變量的回歸問題，常見的是二分類或二項分布問題，也可以處理多分類問題，它實際上是屬於一種分類方法。  

概率p與因變量往往是非線性的，為了解決該類問題，我們引入了logit變換，使得logit(p)與自變量之  間存在線性相關的關系，邏輯回歸模型定義如下：  

 

 1 #Sigmoid曲線:  
 2 import matplotlib.pyplot as plt  
 3 import numpy as np  
 4   
 5 def Sigmoid(x):  
 6     return 1.0 / (1.0 + np.exp(-x))  
 7   
 8 x= np.arange(-10, 10, 0.1)  
 9 h = Sigmoid(x)            #Sigmoid函數  
10 plt.plot(x, h)  
11 plt.axvline(0.0, color='k')   #坐標軸上加一條豎直的線（0位置）  
12 plt.axhspan(0.0, 1.0, facecolor='1.0', alpha=1.0, ls='dotted')    
13 plt.axhline(y=0.5, ls='dotted', color='k')  #在y=0.5的地方加上黑色虛線  
14 plt.yticks([0.0,  0.5, 1.0])  #y軸標度  
15 plt.ylim(-0.1, 1.1)       #y軸范圍  
16 plt.show()    

 

 

二. LogisticRegression回歸算法  

LogisticRegression回歸模型在Sklearn.linear_model子類下，調用sklearn邏輯回歸算法步驟比較簡單，即：  

 (1) 導入模型。調用邏輯回歸LogisticRegression()函數。  

 (2) fit()訓練。調用fit(x,y)的方法來訓練模型，其中x為數據的屬性，y為所屬類型。  

 (3) predict()預測。利用訓練得到的模型對數據集進行預測，返回預測結果。

 

分類器完整實現代碼如下：

# !/usr/bin/env python
# encoding: utf-8
__author__ = 'Xiaolin Shen'
from sklearn.linear_model import LogisticRegression
import numpy as np
import pandas as pd
from sklearn import preprocessing
from sklearn import model_selection
import matplotlib.pyplot as plt
import matplotlib as mpl
from matplotlib import colors
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline


# 當使用numpy中的loadtxt函數導入該數據集時，假設數據類型dtype為浮點型，但是很明顯數據集的第五列的數據類型是字符串並不是浮點型。
# 因此需要額外做一個工作，即通過loadtxt()函數中的converters參數將第五列通過轉換函數映射成浮點類型的數據。
# 首先，我們要寫出一個轉換函數：
# 定義一個函數，將不同類別標簽與數字相對應
def iris_type(s):
    class_label={b'Iris-setosa':0,b'Iris-versicolor':1,b'Iris-virginica':2}
    return class_label[s]

#（1）使用numpy中的loadtxt讀入數據文件
filepath='IRIS_dataset.txt'  # 數據文件路徑
data=np.loadtxt(filepath,dtype=float,delimiter=',',converters={4:iris_type})
#以上4個參數中分別表示：
#filepath ：文件路徑。eg：C:/Dataset/iris.txt。
#dtype=float ：數據類型。eg：float、str等。
#delimiter=',' ：數據以什么分割符號分割。eg：‘，’。
#converters={4:iris_type} ：對某一列數據（第四列）進行某種類型的轉換，將數據列與轉換函數進行映射的字典。eg：{1:fun}，含義是將第2列對應轉換函數進行轉換。
#                          converters={4: iris_type}中“4”指的是第5列。

# print(data)
#讀入結果示例為：
# [[ 5.1  3.5  1.4  0.2  0. ]
#  [ 4.9  3.   1.4  0.2  0. ]
#  [ 4.7  3.2  1.3  0.2  0. ]
#  [ 4.6  3.1  1.5  0.2  0. ]
#  [ 5.   3.6  1.4  0.2  0. ]]


#（2）將原始數據集划分成訓練集和測試集
X ,y=np.split(data,(4,),axis=1) #np.split 按照列（axis=1）進行分割，從第四列開始往后的作為y 數據，之前的作為X 數據。函數 split(數據，分割位置，軸=1（水平分割） or 0（垂直分割）)。
x=X[:,0:2] #在 X中取前兩列作為特征（為了后期的可視化畫圖更加直觀，故只取前兩列特征值向量進行訓練）
x_train,x_test,y_train,y_test=model_selection.train_test_split(x,y,random_state=1,test_size=0.3)
# 用train_test_split將數據隨機分為訓練集和測試集，測試集占總數據的30%（test_size=0.3),random_state是隨機數種子
# 參數解釋：
# x：train_data：所要划分的樣本特征集。
# y：train_target：所要划分的樣本結果。
# test_size：樣本占比，如果是整數的話就是樣本的數量。
# random_state：是隨機數的種子。
# （隨機數種子：其實就是該組隨機數的編號，在需要重復試驗的時候，保證得到一組一樣的隨機數。比如你每次都填1，其他參數一樣的情況下你得到的隨機數組是一樣的。但填0或不填，每次都會不一樣。
# 隨機數的產生取決於種子，隨機數和種子之間的關系遵從以下兩個規則：種子不同，產生不同的隨機數；種子相同，即使實例不同也產生相同的隨機數。）


#（3）搭建模型，訓練LogisticRegression分類器
classifier=Pipeline([('sc',StandardScaler()),('clf',LogisticRegression())])
#開始訓練
classifier.fit(x_train,y_train.ravel())


def show_accuracy(y_hat,y_test,parameter):
    pass

#（4）計算LogisticRegression分類器的准確率
print("LogisticRegression-輸出訓練集的准確率為：",classifier.score(x_train,y_train))
y_hat=classifier.predict(x_train)
show_accuracy(y_hat,y_train,'訓練集')
print("LogisticRegression-輸出測試集的准確率為：",classifier.score(x_test,y_test))
y_hat=classifier.predict(x_test)
show_accuracy(y_hat,y_test,'測試集')
# LogisticRegression-輸出訓練集的准確率為： 0.809523809524
# LogisticRegression-輸出測試集的准確率為： 0.688888888889


# 查看決策函數，可以通過decision_function()實現。decision_function中每一列的值代表距離各類別的距離。
print('decision_function:\n', classifier.decision_function(x_train))
print('\npredict:\n', classifier.predict(x_train))


# (5)繪制圖像
# 1.確定坐標軸范圍，x，y軸分別表示兩個特征
x1_min, x1_max = x[:, 0].min(), x[:, 0].max()  # 第0列的范圍
x2_min, x2_max = x[:, 1].min(), x[:, 1].max()  # 第1列的范圍
x1, x2 = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j]  # 生成網格采樣點
grid_test = np.stack((x1.flat, x2.flat), axis=1)  # 測試點
# print 'grid_test = \n', grid_test
grid_hat = classifier.predict(grid_test)       # 預測分類值
grid_hat = grid_hat.reshape(x1.shape)  # 使之與輸入的形狀相同


# 2.指定默認字體
mpl.rcParams['font.sans-serif'] = [u'SimHei']
mpl.rcParams['axes.unicode_minus'] = False
# 3.繪制
cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])
cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])

alpha=0.5

plt.pcolormesh(x1, x2, grid_hat, cmap=cm_light) # 預測值的顯示
# plt.scatter(x[:, 0], x[:, 1], c=y, edgecolors='k', s=50, cmap=cm_dark)  # 樣本
plt.plot(x[:, 0], x[:, 1], 'o', alpha=alpha, color='blue', markeredgecolor='k')
plt.scatter(x_test[:, 0], x_test[:, 1], s=120, facecolors='none', zorder=10)  # 圈中測試集樣本
plt.xlabel(u'花萼長度', fontsize=13)
plt.ylabel(u'花萼寬度', fontsize=13)
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title(u'鳶尾花LogisticRegression分類結果', fontsize=15)
plt.grid() #顯示網格
plt.show()

 

 

程序運行結果：

 

 

 

數據可視化展示：