作 者：崔家华
编 辑：李文臣
四、使用构建回归分类器
开始新一轮的征程，让我们看下的回归分类器！
官方英文文档地址：/dev///...html#..
.模块提供了很多模型供我们使用，比如回归、Lasso回归、贝叶斯脊回归等，可见需要学习的东西还有很多很多 。本篇文章，我们使用 。
1、
让我们先看下这个函数，一共有14个参数：
参数说明如下：
：随机数种子，int类型，可选参数，默认为无，仅在正则化优化算法为sag,时有用 。
：优化算法选择参数，只有五个可选参数，即-cg,lbfgs,,sag,saga 。默认为 。参数决定了我们对逻辑回归损失函数的优化方法，有四种算法可以选择，分别是：
：算法收敛最大迭代次数，int类型，默认为10 。仅在正则化优化算法为-cg, sag和lbfgs才有用，算法收敛的最大迭代次数 。
：分类方式选择参数，str类型，可选参数为ovr和，默认为ovr 。ovr即前面提到的one-vs-rest(OvR)，而即前面提到的many-vs-many(MvM) 。如果是二元逻辑回归，ovr和并没有任何区别，区别主要在多元逻辑回归上 。
：日志冗长度，int类型 。默认为0 。就是不输出训练过程，1的时候偶尔输出结果，大于1，对于每个子模型都输出 。
：热启动参数，bool类型 。默认为False 。如果为True，则下一次训练是以追加树的形式进行（重新使用上一次的调用作为初始化） 。
：并行数 。int类型，默认为1 。1的时候，用CPU的一个内核运行程序，2的时候，用CPU的2个内核运行程序 。为-1的时候，用所有CPU的内核运行程序 。
累死我了....终于写完所有参数了 。
除此之外，也有一些方法供我们使用：
有一些方法和的方法都是类似的，因此不再累述 。
对于每个函数的具体使用，可以看下官方文档：/dev///...html#..
同时，如果对于过拟合、正则化、L1范数、L2范数不了解的，可以看这位大牛的博客：////
2、编写代码
了解到这些，我们就可以编写分类器的代码了 。代码非常短：
文章插图
# -*- coding:UTF-8 -*-from sklearn.linear_model import LogisticRegression"""函数说明:使用Sklearn构建Logistic回归分类器Parameters:无Returns:无Author:Jack Cui
Blog:
http://blog.csdn.net/c406495762
Zhihu:
https://www.zhihu.com/people/Jack--Cui/
Modify:
2017-09-05
"""
def colicSklearn():
frTrain = open('horseColicTraining.txt')#打开训练集frTest = open('horseColicTest.txt')#打开测试集trainingSet = []; trainingLabels = []testSet = []; testLabels = []for line in frTrain.readlines():currLine = line.strip().split('\t')lineArr = []for i in range(len(currLine)-1):lineArr.append(float(currLine[i]))trainingSet.append(lineArr)trainingLabels.append(float(currLine[-1]))for line in frTest.readlines():currLine = line.strip().split('\t')lineArr =[]for i in range(len(currLine)-1):lineArr.append(float(currLine[i]))testSet.append(lineArr)testLabels.append(float(currLine[-1]))classifier = LogisticRegression
- 了解5G技术
- 三 交易系统架构演进之路：微服务化
- 三 数据治理之死
- 【咸鱼之王】《食神》联动活动联动答题三
- 含程序 区间线性回归 巧用Excel求解NTC 10K 温度传感器 （升级版
- 对话小牛电动CEO李彦：更看重长期价值 上市募资用于三方面
- TVS二极管的三大亮点，订购不用愁
- 三 微软HololensMR的介绍_如何将微软Hololens的视频导出
- 学习和计算时特别常用的三角公式
- 二极、三极管 电子器件笔记