python (2) 逻辑回归实例

import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt#数据预处理 #因为把数据集第一列当成了表头，所以写一句 data = pd.read_csv('C:\\Users\\qjjt\\Desktop\\python\\dataset\\第4章\\credit-a.csv',header=None) print(data.head())#注意这里第16列是输出，不是特征值，所以要注意选取 #iloc函数根据位置索引，:是所有行都取。:-1取到-1前的列的特征 X = data.iloc[:,:-1] Y = data.iloc[:,-1] Y.unique() #查看Y的取值，可看见为1，-1，这里因为是逻辑回归，最好改为0,1 Y = data.iloc[:,-1].replace(-1,0)#将y中的-1替换为0 print(Y.unique())#数据预处理，从pandas转为tensor X = torch.from_numpy(X.values).type(torch.float32)#X的值转为tensor后指定数据类型为float32print(X.shape) #可看出x的值是一个矩阵 print(Y.values) #可看出y是一个array，所以需要reshape成列向量的样子.因为X是[653,15],所以Y也要变成[653,1] Y = torch.from_numpy(Y.values.reshape(-1,1)).type(torch.float32) print(Y.size()) #torch.Size([653, 1])from torch import nn#ky直接将多个层顺序组合成一个模型 # 第一层linear层输入15个特征值，输出一个参数 # 第二层sigmoid层转换，输出0,1 model = nn.Sequential(nn.Linear(15,1),nn.Sigmoid() ) print(model) #打印看看model样子#二元交叉熵损失函数 loss_fn = nn.BCELoss()#优化函数 opt = torch.optim.Adam(model.parameters(),lr = 0.001)#batch训练，即从训练集中取出一部分训练 batch_size = 16 #一次训练16个数据 no_of_batch = 653//16 #最终要完成训练所花的次数，这里是整除epoches = 1000 #epoche指全部数据训练一遍 for epoche in range(epoches):for batch in range(no_of_batch):start = batch*batch_size #每次从start行开始输入数据end = start + batch_sizex = X[start:end] #一个批次中的x,yy = Y[start:end]y_pred = model(x)loss = loss_fn(y_pred,y)#梯度置零和计算参数梯度opt.zero_grad()#后向传播loss.backward()#优化opt.step()#显示最终计算出来的w1.w2....w15和b的数值， print(model.state_dict())#查看实际预测结果，这里比较时都用的numpy print((model(X).data.numpy() > 0.5).astype('int') == Y.numpy()) #预测模型正确率直接求均值即可得 print(((model(X).data.numpy() > 0.5).astype('int') == Y.numpy()).mean)

这里面损失，优化，后向传播概念可以看“反向传播算法”过程及公式推导（超直观好懂的Backpropagation）_aift的博客-CSDN博客_反向传播算法

反向传播详解_weixin_40788815的博客-CSDN博客_反向传播

总结

以上是生活随笔为你收集整理的python (2) 逻辑回归实例的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。