Python與機(jī)器學(xué)習(xí)（第2版）（微課版） 課件 4-02-邏輯回歸分類任務(wù)實(shí)施

主講人：陳清華邏輯回歸分類任務(wù)實(shí)施【數(shù)據(jù)挖掘應(yīng)用】課程性別分類分析會(huì)使用sklearn第三方包實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法應(yīng)用；會(huì)應(yīng)用邏輯回歸算法實(shí)現(xiàn)分類分析；會(huì)使用LogisticRegression()對(duì)性別進(jìn)行分類分析與預(yù)測(cè)應(yīng)用。能力目標(biāo)主要內(nèi)容任務(wù)工單引導(dǎo)問(wèn)題任務(wù)評(píng)價(jià)標(biāo)準(zhǔn)任務(wù)解決方案代碼解析使用邏輯回歸實(shí)現(xiàn)性別分類hw.csv教學(xué)難點(diǎn)任務(wù)工單項(xiàng)目中使用的hw.csv文件中的數(shù)據(jù)，包含了性別、年齡、身高、體重等數(shù)據(jù)項(xiàng)。性別項(xiàng)的值為字符類型，其中F代表女，M代表男。為了分析數(shù)據(jù)，我們需要將兩者分別映射為1和0，再進(jìn)行邏輯回歸分類。任務(wù)概述

任務(wù)描述：從本地文件（hw.csv）中獲取數(shù)據(jù)并邏輯回歸分類分析。010010011001101010100100110110100101110101000100001011011101001010101101010011010010數(shù)據(jù)源hw.csv顯示結(jié)果

任務(wù)要求任務(wù)概述（1）性別與人的哪些生理特征是密切相關(guān)的？（2）男和女的映射值會(huì)不會(huì)對(duì)訓(xùn)練結(jié)果造成影響？（3）邏輯回歸的原理是什么？主要應(yīng)用在哪些方面？（4）sklearn中是如何實(shí)現(xiàn)邏輯回歸算法的？寫(xiě)出關(guān)鍵函數(shù)與實(shí)現(xiàn)步驟。（5）模型的輸入與輸出分別是什么？”

問(wèn)題引導(dǎo)：任務(wù)概述

任務(wù)評(píng)價(jià)：任務(wù)概述評(píng)價(jià)內(nèi)容評(píng)價(jià)要點(diǎn)分值分?jǐn)?shù)評(píng)定自我評(píng)價(jià)1.任務(wù)實(shí)施數(shù)據(jù)準(zhǔn)備2分?jǐn)?shù)據(jù)正確讀取得1分，數(shù)據(jù)標(biāo)簽映射正確得1分

模型訓(xùn)練2分模型初始化正確得1分，模型訓(xùn)練順利執(zhí)行得1分

模型預(yù)測(cè)2分模型能應(yīng)用得1分，模型預(yù)測(cè)結(jié)果可展現(xiàn)得1分

2.效果評(píng)估模型可視化并評(píng)估效果3分能正確展現(xiàn)模型得2分，模型準(zhǔn)確率90%以上得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實(shí)施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點(diǎn)要點(diǎn)得1分

合計(jì)10分

任務(wù)解決方案一、數(shù)據(jù)讀取#coding:utf-8importpandasaspddf=pd.read_csv('hw.csv',delimiter=',')df.head()任務(wù)解決方案二、數(shù)據(jù)預(yù)處理fromsklearnimportpreprocessing#類型轉(zhuǎn)換df['Weight']=df['Weight'].astype(float)df['Height']=df['Height'].astype(float)#對(duì)性別進(jìn)行數(shù)值化處理le=preprocessing.LabelEncoder()df['Gender_2']=le.fit_transform(df['Gender'])df.head()任務(wù)解決方案三、數(shù)據(jù)可視化分析importmatplotlib.pyplotaspltX=df[['Height','Weight']]Y=df[['Gender_2']]plt.figure()plt.scatter(

df[['Height']],df[['Weight']],c=Y,s=80,edgecolors='black',linewidths=1,

cmap=plt.cm.Paired)plt.title('性別判定（實(shí)際值）')plt.xlabel('身高/厘米')plt.ylabel('體重/千克')plt.show()任務(wù)解決方案四、模型訓(xùn)練fromsklearnimportlinear_model#初始化回歸模型classifier=linear_model.LogisticRegression(solver='liblinear',C=100)#擬合classifier.fit(X,Y.values.ravel())#給出預(yù)測(cè)結(jié)果output=classifier.predict(X)output=output.reshape(len(output),1)任務(wù)解決方案五、模型應(yīng)用結(jié)果展現(xiàn)plt.figure()plt.scatter(

df[['Height']],df[['Weight']],c=output,s=80,edgecolors='black',

linewidths=1,cmap=plt.cm.Paired)plt.title('性別判定（線性分類器，預(yù)測(cè)值）')plt.xlabel('身高')plt.ylabel('體重')plt.show()任務(wù)解決方案五、模型應(yīng)用結(jié)果展現(xiàn)：進(jìn)階x_min,x_max=df[['Height']].values.min()-1.0,df[['Height']].values.max()+1.0y_min,y_max=df[['Weight']].values.min()-1.0,df[['Weight']].values.max()+1.0step_size=0.2x_values,y_values=np.meshgrid(np.arange(x_min,x_max,step_size),np.arange(y_min,y_max,step_size))mesh_output=classifier.predict(np.c_[x_values.ravel(),y_values.ravel()])mesh_output=mesh_output.reshape(x_values.shape)plt.pcolormesh(x_values,y_values,mesh_output,cmap=plt.cm.gray)plt.scatter(df[['Height']],df[['Weight']],c=Y,s=80,edgecolors='black',linewidths