python怎么實現梯度下降和邏輯回歸

小編給大家分享一下python怎么實現梯度下降和邏輯回歸，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

具體內容如下

import numpy as np
import pandas as pd
import os
 
data = pd.read_csv("iris.csv") # 這里的iris數據已做過處理
m, n = data.shape
dataMatIn = np.ones((m, n))
dataMatIn[:, :-1] = data.ix[:, :-1]
classLabels = data.ix[:, -1]
 
# sigmoid函數和初始化數據
def sigmoid(z):
 return 1 / (1 + np.exp(-z))
 
# 隨機梯度下降
def Stocgrad_descent(dataMatIn, classLabels):
 dataMatrix = np.mat(dataMatIn) # 訓練集
 labelMat = np.mat(classLabels).transpose() # y值
 m, n = np.shape(dataMatrix) # m:dataMatrix的行數,n:dataMatrix的列數
 weights = np.ones((n, 1)) # 初始化回歸系數（n, 1)
 alpha = 0.001 # 步長
 maxCycle = 500 # 最大循環次數
 epsilon = 0.001
 error = np.zeros((n,1))
 for i in range(maxCycle):
  for j in range(m):
   h = sigmoid(dataMatrix * weights) # sigmoid 函數
   weights = weights + alpha * dataMatrix.transpose() * (labelMat - h) # 梯度
  if np.linalg.norm(weights - error) < epsilon:
   break
  else:
   error = weights
  return weights
 
# 邏輯回歸
def pred_result(dataMatIn):
 dataMatrix = np.mat(dataMatIn)
 r = Stocgrad_descent(dataMatIn, classLabels)
 p = sigmoid(dataMatrix * r) # 根據模型預測的概率
 
 # 預測結果二值化
 pred = []
 for i in range(len(data)):
  if p[i] > 0.5:
   pred.append(1)
  else:
   pred.append(0)
 data["pred"] = pred
 os.remove("data_and_pred.csv") # 刪除List_lost_customers數據集 # 第一次運行此代碼時此步驟不要
 data.to_csv("data_and_pred.csv", index=False, encoding="utf_8_sig") # 數據集保存
pred_result(dataMatIn)

以上是“python怎么實現梯度下降和邏輯回歸”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！