求解逻辑回归—-梯度下降

文章目录案例简介数据可视化建立分类器sigmoid函数：映射到概率的函数model 函数: 返回预测结果值cost : 根据参数计算损失gradient : 计算每个参数的梯度方向descent : 进行参数更新精度
案例简介

参考资料
逻辑回归函数
Python数据分析与机器学习-逻辑回归案例分析
案例内容

现在有一份学生两次考试的结果的数据

根据数据建立一个逻辑回归模型来预测一个学生的入学概率。

数据内容：两个考试的申请人的分数和录取决定。

# 导入相应的包
import numpy as np
import pandas as pd
import matplotlib as mpl
import warnings  # 警告处理
import matplotlib.pyplot as plt
import os
from matplotlib.font_manager import FontProperties
from sklearn.linear_model.coordinate_descent import ConvergenceWarning  # 警告处理
%matplotlib inline
# 设置显示中文字体
my_font = FontProperties(fname="/usr/share/fonts/chinese/simsun.ttc")
# fontproperties = my_font
# 设置正常显示符号
mpl.rcParams["axes.unicode_minus"] = False
# 拦截异常
warnings.filterwarnings(action = 'ignore', category = ConvergenceWarning)

#  加载数据
# 从本地导入数据
path = '/root/zhj/python3/code/data/LogiReg_data.txt'
# header=0 是指将文件中第 0 行（一般理解应该是第一行）作为“列名”。
# 如果没有设置则默认取第一行，
# 设置为 None 的时侯 Pandas 会用自然数 0、1、2……来标识列名。
pdData = pd.read_csv(path, header=0, names=['test1', 'test2', 'result'])
# 为了区别header属性，用数据维度进行试验
pdData1 = pd.read_csv(path, names=['test1', 'test2', 'result'])
pdData2 = pd.read_csv(path, header=None, names=['test1', 'test2', 'result'])
print("查看前10行数据")
print("="* 31)
print(pdData.head(10))
print("="* 31)
print("查看数据维度")
print("header=0的数据维度：",pdData.shape)
print("header默认值的数据维度：",pdData1.shape)
print("header=None值的数据维度：",pdData2.shape)

查看前10行数据
===============================
       test1      test2  result
0  30.286711  43.894998       0
1  35.847409  72.902198       0
2  60.182599  86.308552       1
3  79.032736  75.344376       1
4  45.083277  56.316372       0
5  61.106665  96.511426       1
6  75.024746  46.554014       1
7  76.098787  87.420570       1
8  84.432820  43.533393       1
9  95.861555  38.225278       0
===============================
查看数据维度
header=0的数据维度： (99, 3)
header默认值的数据维度： (100, 3)
 1/7    1 2 3 4 5 6 下一页 尾页