本学习笔记为阿里云天池龙珠计划机器学习训练营的学习内容
一、学习知识点概要
1. 逻辑回归
- 是分类模型,一个线性分类器
2. 逻辑回归模型的优劣势:
- 优点:实现简单,易于理解和实现;计算代价不高,速度很快,存储资源低;
- 缺点:容易欠拟合,分类精度可能不高
- 逻辑回归方程:
z= +
将回归方程写入其中为:
所以, ,
逻辑回归从其原理上来说,逻辑回归其实是实现了一个决策边界:对于函数 ,当 时,,分类为1,当 时,,分类为0,其对应的值我们可以视为类别1的概率预测值.
对于模型的训练而言:实质上来说就是利用数据求解出对应的模型的特定的。从而得到一个针对于当前数据的特征逻辑回归模型。
而对于多分类而言,将多个二分类的逻辑回归组合,即可实现多分类。
二、学习内容
1. sklearn模型参数
- coef_ 模型对应参数w
- intercept 模型对应偏置 b
- n_iter_ 模型迭代次数
- classes_ 标签列表
2. seaborn一共有5个大类21种图
- Relational plots 关系类图表
1. relplot 关系类图表的接口,其实是下面两种图的集成,通过指定kind参数可以画出下面的两种图
2. scatterplot 散点图
3. lineplot 折线图
- Categorical plots 分类图表 catplot 分类图表的接口,其实是下面八种图表的集成,,通过指定kind参数可以画出下面的八种图
1. stripplot 分类散点图
2. swarmplot 能够显示分布密度的分类散点图
3. boxplot 箱图
4. violinplot 小提琴图
5. boxenplot 增强箱图
6. pointplot 点图
7. barplot 条形图
8. countplot 计数图
- Distribution plot 分布图
1. jointplot 双变量关系图
2. pairplot 变量关系组图
3. distplot 直方图,质量估计图
4. kdeplot 核函数密度估计图
5. rugplot 将数组中的数据点绘制为轴上的数据
- Regression plots 回归图
1. lmplot 回归模型图
2. regplot 线性回归图
3. residplot 线性回归残差图
4. Matrix plots 矩阵图
5. heatmap 热力图
6. clustermap 聚集图
3. mpl_toolkits.mplot3d 绘制三维图
- Axes3D 三维散点图
三、学习问题与解答
刚开始看不明白为什么iris数据集实践,三分类模型和二分类模型一样,仔细看发现iris_features_part函数不包括类别为2的样本,只有2类样本数据。而下面iris_features是3类样本数据。
四、学习思考与总结