Logistic分类器：修订间差异

来自决策链云智库
无编辑摘要
无编辑摘要
第29行： 第29行：




==算法概述==
==示例代码-支持向量机分类节点==
该节点使用Python编写，调用scikit-learn包<ref>{{cite journal |author=Kramer, Oliver |title=Scikit-learn |journal=Machine learning for evolution strategies |pages=45--53 |year=2016 |publisher=Springer }}</ref>。以下为示例代码：
<syntaxhighlight lang="Python">
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X, y = load_iris(return_X_y=True)
clf = LogisticRegression(random_state=0).fit(X, y)
clf.predict(X[:2, :])
clf.predict_proba(X[:2, :])
clf.score(X, y)
</syntaxhighlight>
拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。
=='''节点使用指南'''==
* 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
* 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
===变量配置===
* 选择特征变量：作为特征进行学习的变量（X），多选。
* 选择目标变量：作为结局的二分类变量（y），单选。
===参数配置===
* 设置随机数：控制模型的随机性。
===注意事项===
* 不支持带空值运算，用[[多重插补]]或[[插补空值]]进行插补，
* 节点不出图，
* 导入该节点的数据端口为训练数据集，导入前注意转换。
== 参考文献 ==
{{reflist}}


{{Navplate AlgorithmNodeList}}
{{Navplate AlgorithmNodeList}}


[[Category:分类训练器]]
[[Category:分类训练器]]

2024年1月18日 (四) 16:45的版本

Logistic Classification Learner.png
节点状态
PC可用
在 V1.0部署
Logistic分类器Logistic Classification Learner.svg
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名Logistic分类器
功能主类别机器学习
英文缩写Logistic分类器
功能亚类别分类训练器
节点类型数据挖掘
开发语言Python
节点简介

在机器学习中，逻辑回归分类器（Logistic Regression Classifier）是一种常用的分类算法，用于解决二分类问题。虽然名字中包含"回归"一词，但实际上逻辑回归是一种分类算法，而不是回归算法。逻辑回归分类器的基本原理是通过将线性回归模型的输出映射到一个概率值，并使用一个阈值来进行分类决策。

该模型假设输出变量（也称为标签或类别）服从二项分布，即属于两个可能的类别之一。逻辑回归分类器使用的函数称为逻辑函数（或称为sigmoid函数），它能够将任意实数映射到0到1之间的概率值。

端口数量与逻辑控制(PC)
Input-入口2个
Output-出口3个
Loop-支持循环否
If/Switch-支持逻辑判断否
输入输出
可生成图片类型（推荐）
可生成数据表类型（推荐）
相关节点
上一节点CatBoost
下一节点LightGBM
WikimediaUI-Globe.svg相关网站





算法概述

示例代码-支持向量机分类节点

该节点使用Python编写，调用scikit-learn包[1]。以下为示例代码： 

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X, y = load_iris(return_X_y=True)
clf = LogisticRegression(random_state=0).fit(X, y)
clf.predict(X[:2, :])
clf.predict_proba(X[:2, :])
clf.score(X, y)

拟合后，模型可以用于预测样本的类别，可以在通用预测模块实现内外部测试集的预测。

节点使用指南

  • 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
  • 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。

变量配置

  • 选择特征变量：作为特征进行学习的变量（X），多选。
  • 选择目标变量：作为结局的二分类变量（y），单选。

参数配置

  • 设置随机数：控制模型的随机性。


注意事项

  • 不支持带空值运算，用多重插补或插补空值进行插补，
  • 节点不出图，
  • 导入该节点的数据端口为训练数据集，导入前注意转换。

参考文献

  1. ↑ Kramer, Oliver (2016). "Scikit-learn". Machine learning for evolution strategies. Springer: 45--53.

查找其他类别的节点，请参考以下列表

取自“https://wiki.statsape.com/index.php?title=Logistic分类器&oldid=5134”
最近修改
此页面最后编辑于2024年1月18日 (星期四) 16:45。
版权
DecisionLinnc Wiki (决策链云智库) © 2024 by Statsape is licensed under Attribution-NonCommercial-ShareAlike 4.0 International. To view a copy of this license, visit [http://creativecommons.org/licenses/by-nc-sa/4.0/| CreativeCommons-Licenses-4.0].