Python 最簡實現邏輯回歸，針對二維數據進行機器學習

話不多說，直接上代碼

'''
logistic regression
'''

#導入需要的包
import pandas as pd
#建立數據集
from collections import OrderedDict
#是否通過考試用0和1表示，0表示未通過，1表示通過。
examDict={'學習時間':[0.50,0.75,1.00,1.25,1.50,1.75,1.75,2.00,2.25,
                 2.50,2.75,3.00,3.25,3.5,4.00,4.25,4.50,4.75,5.00,5.50],
         '通過考試':[0,0,0,0,0,0,1,0,1,0,1,0,1,0,1,1,1,1,1,1]}
# 使用OrderedDict會根據放入元素的先后順序進行排序。所以輸出的值是排好序的
examOrderDict=OrderedDict(examDict)
examDf=pd.DataFrame(examOrderDict)
# examDf.head()
#在機器學習編碼中變量命名在變量后面加一個大寫的X表示特征，y表示標簽，通過后綴就可以看出哪些是特征和標簽。
#獲取特征
'''
loc——通過行標簽索引行數據 
iloc——通過行號索引行數據 
ix——通過行標簽或者行號索引行數據（基於loc和iloc 的混合）
'''
exam_X=examDf.loc[:,'學習時間']
#獲取標簽
exam_y=examDf.loc[:,'通過考試']
#建立訓練數據和測試數據
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(exam_X,exam_y,test_size=.2)
#導入sklearn包邏輯回歸函數
from sklearn.linear_model import LogisticRegression
#創建邏輯回歸模型
model=LogisticRegression(solver='liblinear')
#訓練模型
'''
機器學習包sklearn要求輸入的特征必須是一個二維數組的類型，這里只有一個特征，
需要進行重塑，否則會報錯，因此對訓練數據和測試數據的特征進行重塑。
'''
X_train=X_train.values.reshape(-1,1)
X_test=X_test.values.reshape(-1,1)
model.fit(X_train,y_train)

#可以用model的predict_proba方法預測給定學習時間是否通過考試的概率
# model.predict_proba(3)
print(model.predict_proba([[5]]))