---

可下载资源

相反，多项逻辑回归算法是逻辑回归模型的扩展，涉及将损失函数更改为交叉熵损失，并将概率分布预测为多项概率分布，以原生支持多类分类问题。

教程概述

本教程分为三个部分：

使逻辑回归适应多类分类问题的一种流行方法是将多类分类问题拆分为多个二元分类问题，并在每个子问题上拟合标准逻辑回归模型。

classification()函数可以用来生成一个具有一定数量的行、列和类的数据集。在这种情况下，我们将生成一个具有1000行、10个输入变量或列和3个类的数据集。

下面的例子总结了数组的形状和三个类中的例子分布。

# 测试分类数据集
import Counter


# 定义数据集

X, y = mclas
# 对数据集进行总结

print

运行这个例子，证实了数据集有1,000行和10列，正如我们预期的那样，而且这些行大约均匀地分布在三个类别中，每个类别中大约有334个例子。

---

---

scikit库支持Logistic回归。
将 “solver “参数设置为支持多指标逻辑回归的解算器，从而配置为多指标逻辑回归。

# 定义多项式逻辑回归模型

modl = LoRe(muss)

多项式逻辑回归模型将使用交叉熵损失进行拟合，并将预测每个整数编码的类标签的整数值。

现在我们已经熟悉了多项逻辑回归API，我们可以看看如何在我们的合成多类分类数据集上评估一个多项逻辑回归模型。

使用重复分层的k-fold交叉验证来评估分类模型是一个好的做法。分层确保了每个交叉验证折在每个类别中的例子的分布与整个训练数据集大致相同。

我们将使用10个折的三次重复，这是一个很好的默认值，并且考虑到类的平衡，使用分类精度来评估模型性能。

下面列出了评估多类分类的多项逻辑回归的完整例子。

# 评估多指标Logistic回归模型

from numpy import mean

# 定义数据集

X, y = makeclas

# 定义多项式逻辑回归模型

modl = LogReg
# 定义模型的评估程序

cv = RepeKFold

# 评估模型并收集分数

n_scores = crovalsc

# 报告模型的性能

print('Mean Accurac)

我们可以决定使用多项逻辑回归模型作为我们的最终模型，并对新数据进行预测。

这可以通过首先在所有可用数据上拟合模型，然后调用predict()函数对新数据进行预测来实现。

下面的例子演示了如何使用多项逻辑回归模型对新数据进行预测。

# 用多指标逻辑回归模型进行预测

from sklearn.datasets

# 定义数据集

X, y = makclas

# 定义多项式逻辑回归模型

model = LogRegr

# 在整个数据集上拟合该模型

fit(X, y)

# 定义单行输入数据

row 
# 预测类别标签

predict(\[row\])

# 对预测的类进行总结

print('Predic

在这种情况下，我们可以看到，模型对单行数据的预测是 “1 “类。

多项式逻辑回归的一个好处是，它可以预测数据集中所有已知类标签的校准概率。

这可以通过调用模型的predict_proba()函数来实现。

下面的例子演示了如何使用多项逻辑回归模型预测一个新例子的多项概率分布。

# 用多指标逻辑回归模型预测概率

from sklea
# 定义数据集

X, y = makclassif

# 定义多项式逻辑回归模型

model = LoRegre

# 在整个数据集上拟合该模型

fit(X, y)

# 定义单行输入数据


# 预测一个多项式概率分布

preprob

# 对预测的概率进行总结

print('Predict

这个项对模型施加惩罚，寻求更小的模型权重。这是通过在损失函数中加入模型系数的加权和来实现的，鼓励模型在拟合模型的同时减少权重的大小和误差。

一种流行的惩罚类型是L2惩罚，它将系数的平方之和（加权）加入到损失函数中。可以使用系数的加权，将惩罚的强度从完全惩罚降低到非常轻微的惩罚。

默认情况下，LogisticRegression类使用L2惩罚，系数的权重设置为1.0。惩罚的类型可以通过 “惩罚 “参数设置，其值为 “l1″、”l2″、”elasticnet”（例如两者），尽管不是所有的求解器都支持所有的惩罚类型。惩罚中的系数权重可以通过 “C “参数设置。

# 定义带有默认惩罚的多项式逻辑回归模型

Logistic

惩罚的加权实际上是反加权，也许惩罚=1-C。

从文件中可以看出。

C : float, default=1.0

正则化强度的倒数，必须是一个正的浮点数。与支持向量机一样，较小的值表示较强的惩罚。

这意味着，接近1.0的值表示很少的惩罚，接近0的值表示强的惩罚。C值为1.0可能表示根本没有惩罚。

• C接近于1.0。轻惩罚。
• C接近0.0：强惩罚。

# 定义无惩罚的多项式逻辑回归模型

LogRegr( penal='none')

现在我们已经熟悉了惩罚，让我们来看看如何探索不同惩罚值对多指标逻辑回归模型性能的影响。

在对数尺度上测试惩罚值是很常见的，这样可以快速发现对一个模型很有效的惩罚尺度。一旦发现，在这个尺度上进一步调整可能是有益的。

我们将在对数尺度上探索加权值在0.0001到1.0之间的L2惩罚，此外还有不惩罚或0.0。

下面列出了评估多项逻辑回归的L2惩罚值的完整例子。

#调整多指标逻辑回归的正则化

from numpy import mean



# 获取数据集

def getet():

X, y = make_





# 获得一个要评估的模型列表

def ges():

models = dict()


#为模型创建名称



# 在某些情况下关闭惩罚



# 在这种情况下没有惩罚

models\[key\] = LogisticReg penalty='none'



models\[key\] = LogisticR penalty='l2'





# 使用交叉验证法评估一个给定的模型

def evamodel

# 定义评估程序

cv = RataifiFod

# 评估模型

scs= cssva_scre


# 定义数据集

X, y = gatet()

# 获得要评估的模型

 gt_dels()

# 评估模型并存储结果


for name, moel in mos.ims():

# 评估模型并收集分数

oes = evadel(model, X, y)
# 存储结果

rsts.append

names.append

# 总结

# 绘制模型性能的比较图

运行这个例子可以报告每个配置的平均分类精度。

注意：鉴于算法或评估程序的随机性，或数字精度的差异，你的结果可能会有所不同。考虑多运行几次这个例子，并比较平均结果。

在这个例子中，我们可以看到，C值为1.0的最佳得分约为77.7%，这与不使用惩罚达到相同的得分是一样的。

为每种配置的准确度分数创建了一个盒须图，所有的图都并排显示在一个相同比例的图上，以便直接比较。

在这种情况下，我们可以看到，我们在这个数据集上使用的惩罚越大（即C值越小），模型的性能就越差。

多项式Logistic回归的L2惩罚与准确率的箱线图

概括

在本教程中，您了解了如何在 Python 中开发多项逻辑回归模型。

你有任何问题吗？
在下面的评论中提出您的问题，我会尽力回答。