逻辑回归之鸢尾花数据集多分类任务

目次
1.导入数据
2.定义多分类模子
3.准备测试数据
4.绘制决策边界

---

对于多分类任务，其实就是多个二分类任务。
先分黑色(标签为1)和其他(标签为0)，在这个根本上再去分赤色和绿色，此时就将赤色标签设置为1，其他设置为0，绿色同样的操纵，做了三个二分类任务就完成了这个多分类。

1.导入数据

样本集为150个样本，4个特征和三个类别（class），以下是类别为SETOSA的部分样本

2.定义多分类模子

x_train为特征数量，y_train为标签数量。迭代次数设置为1000，实例化logistic_regression逻辑回归函数，train函数得到最后的theta值和所有丧失值。分别展示三个分类的丧失值变化情况

三个分类的丧失值变化情况

3.准备测试数据

将猜测值和全部样本比力，得到正确率为96%

通过np.linspace（生成等间距的数字序列）新建150个测试数据（不是样本）

计算猜测值，如果猜测值等于某个类别，那么将这个类别中的和猜测值一样的位置设置为1

4.绘制决策边界

这里其实有多条线（不止两条），只是重合在一起了

对于蓝色点：蓝色为1，其他为0，它的决策边界如下

对于橙色点：橙色为1，其他为0，决策边界如下

绿色点同理，也就是上面那一条线。这里体现了多分类任务其实就是多个二分类任务。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。