加载数据
importnumpyasnpimportpandasaspddata=PD.read _ CSV (iris.CSV ) #不需要的ID列data.drop )， 删除axis=1，并删除inplace=true(#重复记录data.drop _ duplicates (in place=true ) #以删除de=data [ ' species ' ].drop _ drop 映射的setosavirginicaversicolordata [ ' species ' ]=data [ ' species ' ].map { ' setosa ' :0，' versicolor':1，
类逻辑注册： #逻辑回归def __init__(self，alpha， times ) : #初始化方法#参数： alpha:float学习率# times : int迭代次数self.alpha self.times=timesdefsigmoid (self， z )实现： # sigmoid函数#参数： x :浮点参数的值为x=w.T * x # return p (概率0-1 ) :返回样本属于类别1的概率值，结果预测# x=类别0return1.0/) 1.0NP.exp(-z ) (deffit ) self，x， y ) : )基于提供的训练数据训练模型#参数： X :特征数)训练对象的样本特征属性# y :类阵列形状， (采样数)作为每个样本目标值(标签) X=np.asarray(X ) y=np.asarray(y ) y ) )的创建权重的矢量初始值在0长度上比特征数多1 (1是截距) )创建损耗列表并保存每次迭代的损耗值self.loss_=[]forIinrange ) self.3360 z=NP.dot (x， self.w_[1:] self.w_[0]计算概率值(结果为1 ) p=self.sigmoid(z ) z )通过逻辑回归的成本函数(目标函数) j ) w )=-sum ) yi *。 NP.log(p ) (1-y ) (NP.log )1-p ) ) self.loss _.append (cost ) )调整权重值)公式：根据权重(j列)=self . y-p ) defpredict_proba ) sself.alpha(NP， dot ) y-p ) de预测采样数据#参数： x :类数组形状[采样数、特征数]训练采样特征属性# return :数组预测结果(概率值) X=np.asarray(X (p=self.sigmoid(z )如果将预测数据设置为二维阵列(结构)，则后续子画面p=p.reshape (-1，1 ) #容易在水平方向上对两个阵列进行子画面设置(axis=1) x ) X: )参数传递根据样本预测样本数据#参数X:类数组形状(样本数、特征数)待训练样本特征属性# # return :数组类型预测结果(分类值) return NP.arg max (self.predict _ proba ) x )、 axis=1)数据训练和测试T1=data(data(species ) )==0) T2=data (data ) ) species )==1) T1=T1.sample ) len :-1]、T2.iloc [ :40，-1 ]、aandom t2.iloc[:40，-1]、axis=0] test _ x=PD.concat () axis=0) #莺尾花的特征列数为一位lr=logistic regression (alpha=0. 01， times=20 ) lr.fit ) )不标准化就能够处理的train_y ) #预测的概率值# print(lr.predict_proba ) test_x )预测的分类值#print计算精度
#可视化importmatplotlibasmplimportmatplotlib.pyplotasplt #中文显示mpl.rcparams [ ' font.family ' ]=' simhei ' #减号显示mpl.rcplt 标绘预测值PLT.plot (result，' ro '，ms=15，label='预测值')标绘真实值PLT.plot ) test_y.values，' go '，ms=15