如何在 Python 中建立和訓練線性和 logistic 迴歸 ML 模型？

字幕組雙語原文：如何在 Python 中建立和訓練線性和 logistic 迴歸 ML 模型？

英語原文：How to Build and Train Linear and Logistic Regression ML Models in Python

翻譯：雷鋒字幕組（Key、君思）

線性迴歸與logistic迴歸，是目前最流行的兩個機器學習模型。

在我的上一篇教程裡，你們已經學習了線性迴歸機器學習演算法背後的歷史和理論。

本教程的主題是：如何用Python中的scikit-learn庫，建立、訓練和測試你的第一個線性迴歸機器學習模型。

第1節：線性迴歸

本教程中將使用的資料集

由於線性迴歸是我們在本課程中學習的第一種機器學習模型，在本教程中我們將使用人工建立的資料集。因為這樣我們可以專注於學習機器學習的概念，避免在清洗和處理資料上浪費不必要的時間。

具體來說，我們將使用住房資料的資料集並嘗試預測住房價格。在建立模型之前，我們首先要匯入所需的庫。

本教程中將使用的庫

我們將匯入的第一個庫是pandas，它是源於“panel data”（面板資料）的複合詞，是處理表格資料最受歡迎的Python庫。

按照慣例，以別名pd匯入pandas。你可以使用以下語句匯入pandas：

“>

import pandas as pd

接下來，我們需要匯入NumPy，一個流行的數值計算庫。 Numpy因其NumPy array型資料結構，以及reshape，arrange，append這些非常實用的方法而聞名。

按照慣例，以別名np匯入NumPy。你可以使用以下語句匯入numpy：

”>

“>

import numpy as np

接下來，我們需要匯入matplotlib，Python中最受歡迎的資料視覺化庫。matplotlib通常以別名plt匯入， 你可以使用以下語句匯入matplotlib：

”>

import matplotlib。pyplot as plt%matplotlib inline

語句％matplotlib inline將使我們的matplotlib視覺化效果直接嵌入到Jupyter Notebook中，使它們更易於訪問和解釋。

最後，匯入seaborn，這是另一個Python資料視覺化庫，可以讓我們更輕鬆地使用matplotlib建立美觀的視覺化結果。

你可以使用以下語句匯入seaborn：

“>

import seaborn as sns

總結一下，以下是本教程中需要匯入的所有庫：

”>

import pandas as pdimport numpy as npimport matplotlib。pyplot as plt%matplotlib inlineimport seaborn as sns

在以後的課程中，我會說明必需匯入哪些庫，但不會再像這樣進行詳細的解釋。

匯入資料集

正如之前所提到的，我們將用到一個房屋資訊的資料集。資料集已經以csv檔案的形式上傳到我的個人網站，連結如下：

https：//nickmccullum。com/files/Housing_Data。csv

要向你的Jupyter Notebook中匯入資料集，首先複製上述連結，貼上到你的瀏覽器中進行下載。然後，將該檔案移動到與你的Jupyter Notebook相同的資料夾下。

完成這一步後，輸入以下Python指令將向你的Jupyter Notebook匯入房屋資料集：

raw_data = pd。read_csv（‘Housing_Data。csv’）

這一資料集有著一系列特徵，包括：

該區域居住人口的平均收入

該區域房屋的平均房間個數

房屋的出售價格

房屋的具體地址

這些資料都是隨機生成的，所以你會發現一些不太合理的細節（如某個數字本應該是整數，卻有著多個小數位數）。

瞭解資料集

現在，資料集已被匯入並存儲為名為raw_data的變數。你可以用名為info的方法（method）得到該資料集的一些大致資訊。具體來說，執行指令raw_data。info（）將得到：

RangeIndex： 5000 entries， 0 to 4999Data columns （total 7 columns）：Avg。 Area Income 5000 non-null float64Avg。 Area House Age 5000 non-null float64Avg。 Area Number of Rooms 5000 non-null float64

另一個有效獲取資料集資訊的途徑，是生成散點圖矩陣。你可以用seaborn庫中的pairplot方法，並傳入整個資料框作為該方法的引數。完整指令如下：

sns。pairplot（raw_data）

該指令的輸入如下：

下一步，就讓我們開始建立我們的線性迴歸模型吧。

建立機器學習的線性迴歸模型

我們要做的第一件事，是將我們的資料分為一個x陣列（包含我們用於預測的所有資料）以及一個y陣列（包含我們試圖預測的所有資料）。

首先，我們要選擇包含哪幾列。你可以透過raw_data。columns指令得到該資料框的所有列名。其輸出為：

Index（［‘Avg。 Area Income’， ‘Avg。 Area House Age’， ‘Avg。 Area Number of Rooms’， ‘Avg。 Area Number of Bedrooms’， ‘Area Population’， ‘Price’， ‘Address’］， dtype=‘object’）

我們的x陣列將包含以上的大部分變數，只排除Price（因為這就是我們試圖預測的一列）和Address（因為它只有文字資訊）。

讓我們建立x陣列，並將它儲存為變數x：

x = raw_data［［‘Avg。 Area Income’， ‘Avg。 Area House Age’， ‘Avg。 Area Number of Rooms’， ‘Avg。 Area Number of Bedrooms’， ‘Area Population’］］

然後，建立y陣列，並存儲為變數y：

y = raw_data［‘Price’］

於是，我們便成功地將資料集分成了一個x陣列（即模型的輸入值）與一個y陣列（即模型的輸出值）。在下一節，我們將學習如何進一步將資料集劃分為訓練資料與測試資料。

劃分資料集為訓練資料和測試資料

scikit-learn庫令我們可以很簡單地將我們的資料集劃分為訓練資料和測試資料。要做到這一步，我們需要從scikit-learn的model_selection模組匯入train_test_split函式：

from sklearn。model_selection import train_test_split

train_test_split函式需要三個輸入值：

我們的x陣列

我們的y陣列

我們想要的測試資料大小

有了這些引數，train_test_split函式便會為我們劃分資料了！如果我們希望我們的測試資料佔全部資料的30%，可以透過以下程式碼來實現：

x_train， x_test， y_train， y_test = train_test_split（x， y， test_size=0。3）

讓我們開啟黑箱，看看裡面到底發生了什麼。

train_test_split函式返回了一個長度為4的Python列表，其中的元素分別為x_train，x_test，y_train和y_test。然後，我們便可以透過Python的列表解包，將這些變數分配到各自對應的變數名下。現在，我們已經很好地劃分了我們的資料集，是時候建立和訓練機器學習的線性迴歸模型了。

建立和訓練模型

首先，我們需要從scikit-learn庫中匯入LinearRegression估計器。其Python指令如下：

from sklearn。linear_model import LinearRegression

然後，我們需要建立LinearRegression這個Python物件的一個例項。我們將它儲存為變數model。相應程式碼如下：

model = LinearRegression（）

我們可以用scikit-learn庫的fit方法，在我們的訓練資料上訓練這個模型。

model。fit（x_train， y_train）

現在，我們已經將這個模型訓練好了。你可以透過以下指令檢視這個模型的每個引數：

print（model。coef_）

上述指令將輸出：

［2。16176350e+01 1。65221120e+05 1。21405377e+05 1。31871878e+03 1。52251955e+01］

類似地，也可以透過以下指令檢視所得迴歸方程的截距：

print（model。intercept_）

上述指令將輸出：

-2641372。6673013503

還有一個更好的方法來檢視所有引數，那就是將它們一併放進一個數據框裡。這一步可以透過以下指令完成：

pd。DataFrame（model。coef_， x。columns， columns = ［‘Coeff’］）

這裡的輸出就好理解多了：

“>

讓我們花點時間，來看看這些引數分別是什麼意思。我們具體檢視變數Area Population，其引數大概為15。”>

這一數字表示，若其他所有變數保持不變，而Area Population增加了1個單位的話，那麼我們預測的變數——在這裡是Price——將增加15個單位。“>

換句話說，一個變數有著很大的引數，說明它對你試圖預測的變數有著很大的影響。而一個有著小引數的變數，其影響也同樣較小。”>

現在我們已經建立了我們的第一個“>機器學習線性迴歸模型，是時候用這個模型去為我們的測試資料做預測了。

根據我們的模型做出預測

scikit-learn 使從機器學習模型進行預測變得非常容易。您只需要 在 我們之前建立的模型變數上呼叫 預報方法 。

由於 預測 變數旨在進行預測，因此它僅接受 x陣列 引數。它將 為您生成 y值！

”>

這是您需要使用predict 方法從我們的模型生成預測的程式碼 ：

“>

predictions = model。predict（x_test）

x_test 特徵值 儲存在 predictions 預測變數中。由於我們使用 train_test_split 方法將實際 值儲存 在 y_test中，因此下一步要做的是將 預測 陣列的值與y_test的值進行 比較。

”>

一種簡單的方法是使用散點圖繪製兩個陣列。 使用 plt。scatter 方法很容易構建

“>

plt。scatter（y_test， predictions）

這是此程式碼生成的散點圖：

”>

如您所見，我們的預測值非常接近資料集中觀測值的實際值。該散點圖中的一條完美的對角線將表明我們的模型完美地預測了 y陣列 值。

直觀地評估模型效能的另一種方法是繪製其 殘差，即實際 y陣列 值與預測 y陣列 值之間的差。

“>

下面的語句是實現此目的簡單方法：

”>

plt。hist（y_test - predictions）

這是此程式碼生成的視覺化效果：

“>

這是我們的機器學習模型殘差的直方圖。

您可能會注意到，我們的機器學習模型中的殘差似乎呈正態分佈。這是一個很好的訊號！

”>

它表明我們已經選擇了適當的模型型別（在這種情況下為線性迴歸）來根據我們的資料集進行預測。在本課程的後面，我們將詳細瞭解如何確保使用正確的模型。

測試模型的效能

在本課程開始時，我們瞭解到，迴歸機器學習模型使用了三個主要效能指標：

平均絕對誤差

均方誤差

均方根誤差

“>

現在，我們將看到如何為本教程中構建的模型計算這些指標中的每一個。在繼續之前，請在Jupyter Notebook中執行以下import語句：

”>

from sklearn import metrics

平均絕對誤差（MAE）

“>

您可以使用以下語句在Python中計算平均絕對錯誤：

”>

metrics。mean_absolute_error（y_test， predictions）

均方誤差（MSE）

“>

同樣，您可以使用以下語句在Python中計算均方誤差：

”>

metrics。mean_squared_error（y_test， predictions）

均方根誤差（RMSE）

與均值絕對誤差和均方誤差不同， scikit-learn 實際上沒有內建的方法來計算均方根誤差。

“>

幸運的是，它確實不需要。由於均方根誤差只是均方根誤差的平方根，因此您可以使用NumPy的 sqrt 方法輕鬆地進行計算：

”>

np。sqrt（metrics。mean_squared_error（y_test， predictions））

本教程的完整程式碼

“>

這是此Python線性迴歸機器學習教程的全部程式碼。您也可以在此GitHub儲存庫中檢視它 。

”>

import pandas as pdimport numpy as npimport matplotlib。pyplot as pltimport seaborn as sns%matplotlib inlineraw_data = pd。read_csv（‘Housing_Data。csv’）x = raw_data［［‘Avg。 Area Income’， ‘Avg。 Area House Age’， ‘Avg。 Area Number of Rooms’， ‘Avg。 Area Number of Bedrooms’， ‘Area Population’］］y = raw_data［‘Price’］from sklearn。model_selection import train_test_splitx_train， x_test， y_train， y_test = train_test_split（x， y， test_size = 0。3）from sklearn。linear_model import LinearRegressionmodel = LinearRegression（）model。fit（x_train， y_train）print（model。coef_）print（model。intercept_）pd。DataFrame（model。coef_， x。columns， columns = ［‘Coeff’］）predictions = model。predict（x_test）# plt。scatter（y_test， predictions）plt。hist（y_test - predictions）from sklearn import metricsmetrics。mean_absolute_error（y_test， predictions）metrics。mean_squared_error（y_test， predictions）np。sqrt（metrics。mean_squared_error（y_test， predictions））

第2節：logistic 迴歸

注意-如果到目前為止您已經在本教程中進行編碼，並且已經建立了線性迴歸模型，則在繼續之前，您需要開啟一個新的Jupyter Notebook（其中沒有程式碼）。

我們將在本教程中使用的資料集

泰坦尼克號資料集是非常著名的資料集，其中包含有關泰坦尼克號上乘客的特徵。它通常用作logistic迴歸問題的入門資料集。

在本教程中，我們將結合泰坦尼克號資料集和Python logistic迴歸模型來預測乘客是否在泰坦尼克號墜機事故中倖免。

在 原來的泰坦尼克號資料集是公開的上 Kaggle。com，這是一個網站，主機的資料集和資料科學競賽。

為了使您本課程的學生更輕鬆，我們將使用Titanic資料集的半清潔版本，這將節省您在資料清潔和處理上的時間。

實際上，已清理的Titanic資料集已可供您使用。您可以透過單擊以下連結下載資料檔案：

泰坦尼克號資料

下載此檔案後， 在同一工作目錄中開啟 Jupyter Notebook，我們可以開始構建 logistic迴歸模型。

我們將在本教程中使用的匯入

“>

和以前一樣，本教程中將使用多個開源軟體庫。這是我透過Python Logistic迴歸模型進行編碼時需要遵循的匯入：

”>

import pandas as pdimport numpy as npimport matplotlib。pyplot as plt%matplotlib inlineimport seaborn as sns

“>

接下來，我們需要將Titanic資料集匯入到我們的Python指令碼中。

透過探索性資料分析瞭解我們的資料集

每個分類類別的普遍性

在使用機器學習技術對分類問題進行建模時，瞭解類別之間的比率始終是一個好主意。對於此特定問題，檢視我們的訓練資料中有多少倖存者與非倖存者是有用的。

”>

一種簡單的視覺化方法是使用 seaborn plot countplot。在此示例中，您可以 使用以下Python程式碼建立適當的 seasborn繪圖：

“>

sns。countplot（x=‘Survived’， data=titanic_data）

這將生成以下圖：

”>

如您所見，與倖存者相比，非倖存者的發病率要高得多。

性別之間的成活率

“>

比較相對於某些其他資料特徵的生存率也很有用。例如，我們可以 使用以下Python程式碼來比較Sex的Male 和 Female 值 之間的生存率 ：

”>

sns。countplot（x=‘Survived’， hue=‘Sex’， data=titanic_data）

這將生成以下圖：

“>

如您所見， 性別 為 男性的 乘客比性別 為 女性的乘客更有可能是非倖存者 。

旅客艙位之間的成活率

我們可以使用Pclass 變數執行類似的分析， 以檢視哪個旅客類別最有（和最少）可能有幸存者。

”>

這是執行此操作的程式碼：

“>

sns。countplot（x=‘Survived’， hue=‘Pclass’， data=titanic_data）

這將生成以下圖：

”>

“>

從該圖中最明顯的觀察結果是， 當泰坦尼克號墜毀時，Pclass 值為 3的乘客-表示最便宜，最不豪華的第三等艙的乘客 更有可能死亡。

從我們的資料集中刪除空資料

”>

首先，讓我們檢查資料集中包含缺失資料的位置。為此，請執行以下命令：

“>

titanic_data。isnull（）

這將生成一個布林值的DataFrame，如果該單元格 為空值，則該單元格包含 True，否則為 False 。這是它的樣子的影象：

”>

評估此資料集中缺失資料的一種更為有用的方法是建立快速視覺化。為此，我們可以使用 seaborn 視覺化庫。這是快速命令，可用於 使用 seaborn 庫建立 熱圖：

“>

sns。heatmap（titanic_data。isnull（）， cbar=False）

這是生成的視覺化效果：

”>

在此視覺化中，白線表示資料集中缺少的值。您會看到“ 年齡” 和“ 機艙”列包含“泰坦尼克號”資料集中大部分丟失的資料。

特別是“ 年齡”列包含的缺失量很小，我們可以使用某種形式的數學來填充缺失資料。另一方面， 機艙 資料缺少足夠的資料，因此我們有可能將其完全從模型中刪除。

用其餘資料集中的平均資料填充缺失資料的過程稱為 歸因。現在，我們將使用 插補 來填充“ 年齡” 列中的缺失資料 。

估算的最基本形式是 用 整個資料集中的平均年齡值 填充缺失的 年齡資料 。但是，有更好的方法。

“>

我們將 使用 該乘客所屬 的特定Pclass乘客艙的平均Age值來 填充缺少的 Age值 。要了解為什麼這樣做有用，請考慮以下箱線圖：

sns。boxplot（titanic_data［‘Pclass’］， titanic_data［‘Age’］）

”>

如您所見， Pclass 值為 1 （最昂貴的乘客艙）的乘客往往是最老的，而Pclass 值為 3 （最便宜的乘客）的乘客 往往是最年輕的。這是非常符合邏輯的，所以我們將使用的平均 年齡 不同範圍內的值 Pclass 資料 imputate 我們丟失的資料 年齡 列。

“>

對像泰坦尼克號資料集這樣的資料集執行插補的最簡單方法 是構建自定義函式。首先，我們需要確定 每個 Pclass 值的平均 Age值。

”>

#Pclass value 1titanic_data［titanic_data［‘Pclass’］ == 1］［‘Age’］。mean（）#Pclass value 2titanic_data［titanic_data［‘Pclass’］ == 2］［‘Age’］。mean（）#Pclass 3titanic_data［titanic_data［‘Pclass’］ == 2］［‘Age’］。mean（）

“>

這是我們將用來估算 缺少的 Age 變數的最終函式 ：

def impute_missing_age（columns）： age = columns［0］ passenger_class = columns［1］ if pd。isnull（age）： if（passenger_class == 1）： return titanic_data［titanic_data［‘Pclass’］ == 1］［‘Age’］。mean（） elif（passenger_class == 2）： return titanic_data［titanic_data［‘Pclass’］ == 2］［‘Age’］。mean（） elif（passenger_class == 3）： return titanic_data［titanic_data［‘Pclass’］ == 3］［‘Age’］。mean（） else： return age

”>

現在，該插補功能已經完成，我們需要將其應用於titanic_data DataFrame 中的每一行 。Python的 apply 方法是一個出色的工具：

“>

titanic_data［‘Age’］ = titanic_data［［‘Age’， ‘Pclass’］］。apply（impute_missing_age， axis = 1）

”>

既然我們已經 對每一行執行了 估算以處理丟失的 Age 資料，那麼讓我們研究一下原始箱形圖：

“>

sns。heatmap（titanic_data。isnull（）， cbar=False）

您會 發現我們的熊貓DataFrame 的Age列中不再缺少任何資料 ！

您可能想知道為什麼我們要花費大量時間 專門處理“ 年齡”列中的丟失資料 。這是因為考慮到年齡 對大多數災難和疾病生存的影響， 在我們的資料集中，該變數可能具有很高的預測價值。

”>

現在我們已經瞭解了該資料集的結構並刪除了缺失的資料，讓我們開始構建logistic迴歸機器學習模型。

建立logistic迴歸模型

現在是時候刪除我們的logistic迴歸模型了。

刪除缺少太多資料的列

“>

首先，我們刪除“ Cabin” 列。正如我們所提到的，此列中丟失資料的普遍性意味著 對丟失資料進行估算是不明智的 ，因此我們將使用以下程式碼將其完全刪除：

”>

titanic_data。drop（‘Cabin’， axis=1， inplace = True）

“>

接下來，讓我們使用pandas dropna（） 方法刪除包含丟失資料的所有其他列 ：

”>

titanic_data。dropna（inplace = True）

使用虛擬變數處理分類資料

我們需要處理的下一個任務是處理分類特徵。即，我們需要找到一種方法來對非自然數值的觀測值進行數值處理。

性別 列就是一個很好的例子，該 列具有兩個值： Male 和 Female。同樣，“ 登船”一 欄包含一個字母，表示該乘客離開的城市。

為了解決這個問題，我們將建立 偽變數。這些為非數值特徵的每個類別分配一個數值。

幸運的是， pandas 具有一個名為get_dummies（）的內建方法 ，可輕鬆建立虛擬變數。該 get_dummies 方法確實有一個問題-它會在資料幀列中的每個值建立新列。

“>

讓我們考慮一個示例，以幫助您更好地理解這一點。如果我們 在Age 列上呼叫 get_dummies（）方法， 則會得到以下輸出：

pd。get_dummies（titanic_data［‘Sex’］）

”>

如您所見，這將建立兩個新列： female 和 male。這些列都將是彼此的完美預測，由於值 0 在 雌性列指示的值 1 在 雄性 柱，反之亦然。

“>

這稱為 多重共線性 ，它會大大降低演算法的預測能力。要刪除它，我們可以將引數drop_first = True新增 到 get_dummies 方法中，如下所示：

”>

pd。get_dummies（titanic_data［‘Sex’］， drop_first = True）

“>

現在，讓我們為我們的虛擬變數列 性別 和 走上 列，並將它們分配給變數稱為 性 和 進發。

”>

sex_data = pd。get_dummies（titanic_data［‘Sex’］， drop_first = True）embarked_data = pd。get_dummies（titanic_data［‘Embarked’］， drop_first = True）

“>

還有就是要注意的一個重要的事情有關 走上 下面定義的變數。它有兩列： Q 和 S，但是由於我們已經刪除了另一列（ C 列），因此其餘兩列都不是彼此的完美預測變數，因此 在修改後的新資料集中不存在多重共線性。

將虛擬變數新增到 pandas DataFrame

”>

Next we need to add our sex and embarked columns to the DataFrame。

“>

您可以 使用以下程式碼 將這些資料列連線到現有的 pandas DataFrame中：

”>

titanic_data = pd。concat（［titanic_data， sex_data， embarked_data］， axis = 1）

“>

現在，如果您執行命令 print（titanic_data。columns），那麼Jupyter Notebook將生成以下輸出：

”>

Index（［‘PassengerId’， ‘Survived’， ‘Pclass’， ‘Name’， ‘Sex’， ‘Age’， ‘SibSp’， ‘Parch’， ‘Ticket’， ‘Fare’， ‘Embarked’， ‘male’， ‘Q’， ‘S’］， dtype=‘object’）

的存在 男性， Q和 S 列顯示，我們的資料被成功地連線起來。

從資料集中刪除不必要的列

“>

這意味著我們現在可以 從DataFrame中刪除原始的 Sex 和 Embarked列。還有其他一些列（如 Name ， PassengerId， Ticket）無法預測泰坦尼克號的撞車倖存率，因此我們也將其刪除。以下程式碼為我們處理了此問題：

”>

“>

titanic_data。drop（［‘Name’， ‘Ticket’， ‘Sex’， ‘Embarked’］， axis = 1， inplace = True）

如果您 現在列印 titanic_data。columns，那麼Jupyter Notebook將生成以下輸出：

”>

Index（［‘Survived’， ‘Pclass’， ‘Age’， ‘SibSp’， ‘Parch’， ‘Fare’， ‘male’， ‘Q’， ‘S’］， dtype=‘object’

DataFrame現在具有以下外觀：

“>

”>

如您所見，該資料集中的每個欄位現在都是數字，這使其成為logistic迴歸機器學習演算法的理想候選者。

建立培訓資料和測試資料

接下來，是時候將我們的 titanic_data 分為訓練資料和測試資料了。和以前一樣，我們將使用scikit-learn的內建功能 來執行此操作。

“>

首先，我們需要將我們的資料分為 x 值（我們將用於進行預測 的資料）和 y值（我們正在嘗試預測的資料）。以下程式碼處理此問題：

”>

y_data = titanic_data［‘Survived’］x_data = titanic_data。drop（‘Survived’， axis = 1）

“>

接下來，我們需要 從scikit-learn匯入 train_test_split函式 。以下程式碼執行此匯入：

”>

from sklearn。model_selection import train_test_split

“>

最後，我們可以 結合使用 train_test_split函式和列表解壓縮來生成我們的訓練資料和測試資料：

”>

x_training_data， x_test_data， y_training_data， y_test_data = train_test_split（x_data， y_data， test_size = 0。3）

請注意，在這種情況下，測試資料是引數test_size = 0。3指定的原始資料集的30％ 。

“>

現在，我們為logistic迴歸模型建立了訓練資料和測試資料。我們將在本教程的下一部分中訓練我們的模型。

訓練logistic迴歸模型

”>

要訓練我們的模型，我們首先需要 使用以下命令從scikit-learn匯入適當的模型 ：

“>

from sklearn。linear_model import LogisticRegression

”>

接下來，我們需要透過例項化LogisticRegression 物件的例項來建立模型 ：

“>

model = LogisticRegression（）

”>

要訓練模型，我們需要 在 剛剛建立的LogisticRegression物件上呼叫 fit方法， 並傳入 x_training_data 和 y_training_data 變數，如下所示：

“>

model。fit（x_training_data， y_training_data）

我們的模型現已訓練完畢。我們將在本教程的下一部分中開始使用此模型進行預測。

使用我們的Logistic迴歸模型進行預測

”>

讓我們使用 剛剛建立的模型logistic迴歸模型對測試資料進行一組預測 。我們將這些預測儲存在一個名為predictions的變數中 ：

“>

predictions = model。predict（x_test_data）

我們已經做出了預測。接下來讓我們檢查模型的準確性。

”>

測量Logistic迴歸機器學習模型的效能

scikit-learn具有一個出色的內建模組，稱為分類 _報告 ，可輕鬆衡量分類機器學習模型的效能。我們將使用此模組來評估我們剛剛建立的模型的效能。

“>

首先，讓我們匯入模組：

”>

from sklearn。metrics import classification_report

“>

接下來，讓我們使用該模組為我們的logistic迴歸機器學習模組計算效能指標：

”>

classification_report（y_test_data， predictions）

“>

這是此命令的輸出：

”>

precision recall f1-score support 0 0。83 0。87 0。85 169 1 0。75 0。68 0。72 98 accuracy 0。80 267 macro avg 0。79 0。78 0。78 267weighted avg 0。80 0。80 0。80 267

“>

如果您有興趣檢視原始的混淆矩陣並手動計算效能指標，則可以使用以下程式碼進行操作：

”>

from sklearn。metrics import confusion_matrixprint（confusion_matrix（y_test_data， predictions））

“>

這將產生以下輸出：

”>

［［145 22］ ［ 30 70］］

本教程的完整程式碼

“>

您可以在GitHub儲存庫中檢視本教程的完整程式碼 。還將其貼上在下面以供您參考：

”>

import pandas as pdimport numpy as npimport matplotlib。pyplot as plt%matplotlib inlineimport seaborn as sns#Import the data settitanic_data = pd。read_csv（‘titanic_train。csv’）#Exploratory data analysissns。heatmap（titanic_data。isnull（）， cbar=False）sns。countplot（x=‘Survived’， data=titanic_data）sns。countplot（x=‘Survived’， hue=‘Sex’， data=titanic_data）sns。countplot（x=‘Survived’， hue=‘Pclass’， data=titanic_data）plt。hist（titanic_data［‘Age’］。dropna（））plt。hist（titanic_data［‘Fare’］）sns。boxplot（titanic_data［‘Pclass’］， titanic_data［‘Age’］）#Imputation functiondef impute_missing_age（columns）： age = columns［0］ passenger_class = columns［1］ if pd。isnull（age）： if（passenger_class == 1）： return titanic_data［titanic_data［‘Pclass’］ == 1］［‘Age’］。mean（） elif（passenger_class == 2）： return titanic_data［titanic_data［‘Pclass’］ == 2］［‘Age’］。mean（） elif（passenger_class == 3）： return titanic_data［titanic_data［‘Pclass’］ == 3］［‘Age’］。mean（） else： return age#Impute the missing Age datatitanic_data［‘Age’］ = titanic_data［［‘Age’， ‘Pclass’］］。apply（impute_missing_age， axis = 1）#Reinvestigate missing datasns。heatmap（titanic_data。isnull（）， cbar=False）#Drop null datatitanic_data。drop（‘Cabin’， axis=1， inplace = True）titanic_data。dropna（inplace = True）#Create dummy variables for Sex and Embarked columnssex_data = pd。get_dummies（titanic_data［‘Sex’］， drop_first = True）embarked_data = pd。get_dummies（titanic_data［‘Embarked’］， drop_first = True）#Add dummy variables to the DataFrame and drop non-numeric datatitanic_data = pd。concat（［titanic_data， sex_data， embarked_data］， axis = 1）titanic_data。drop（［‘Name’， ‘PassengerId’， ‘Ticket’， ‘Sex’， ‘Embarked’］， axis = 1， inplace = True）#Print the finalized data settitanic_data。head（）#Split the data set into x and y datay_data = titanic_data［‘Survived’］x_data = titanic_data。drop（‘Survived’， axis = 1）#Split the data set into training data and test datafrom sklearn。model_selection import train_test_splitx_training_data， x_test_data， y_training_data， y_test_data = train_test_split（x_data， y_data， test_size = 0。3）#Create the modelfrom sklearn。linear_model import LogisticRegressionmodel = LogisticRegression（）#Train the model and create predictionsmodel。fit（x_training_data， y_training_data）predictions = model。predict（x_test_data）#Calculate performance metricsfrom sklearn。metrics import classification_reportprint（classification_report（y_test_data， predictions））#Generate a confusion matrixfrom sklearn。metrics import confusion_matrixprint（confusion_matrix（y_test_data， predictions））

總結

在本教程中，您學習瞭如何在Python中構建線性迴歸和logistic迴歸機器學習模型。

如果您想了解有關構建，培訓和部署前沿機器學習模型的更多資訊，我的電子書 實用機器學習將教您如何使用實際專案構建9種不同的機器學習模型。

您可以將程式碼從電子書部署到GitHub或個人投資組合，以向潛在僱主展示。這本書將於8月3日發行， 現在可以50％的價格預訂！

這是您從本文中學到的內容的簡短摘要：

如何匯入構建線性迴歸機器學習演算法所需的庫

如何使用scikit-learn將資料集分為訓練資料和測試資料

如何使用 scikit-learn 訓練線性迴歸模型並使用該模型進行預測

如何使用scikit-learn計算線性迴歸效能指標

為什麼Titanic資料集經常用於學習機器學習分類技術

處理分類機器學習問題的資料集時如何執行探索性資料分析

如何處理Pandas DataFrame中的缺失資料

什麼 歸集 手段，以及如何使用它來填補丟失的資料

如何為機器學習資料集中的分類資料建立虛擬變數

如何在Python中訓練Logistic迴歸機器學習模型

如何在Python中使用logistic迴歸模型進行預測

如何將 scikit-的 classification_report 為機器學習分類問題快速計算效能指標

雷鋒字幕組是由AI愛好者組成的志願者翻譯團隊；團隊成員有大資料專家、演算法工程師、影象處理工程師、產品經理、產品運營、IT諮詢人、在校師生；志願者們來自IBM、AVL、Adobe、阿里、百度等知名企業，北大、清華、港大、中科院、南卡羅萊納大學、早稻田大學等海內外高校研究所。

轉載請聯絡字幕組微信並註明出處：雷鋒字幕組

雷鋒網雷鋒網雷鋒網