Python使用Sklearn实现简单逻辑回归的代码示例

Felix

发布时间：2026-10-13| 5人浏览过

原创

本文介绍如何使用Python的Sklearn库实现简单的逻辑回归模型。通过读取Excel数据，利用NumPy进行数据处理，并使用Matplotlib进行可视化展示。代码涵盖了数据加载、模型训练、预测及结果评估的全过程，旨在为初学者提供清晰的逻辑回归实现示例。

Sklearn库概述与特点

Sklearn简介

Scikit-learn（简称sklearn）是Python中广泛使用的机器学习第三方库，它对多种主流机器学习算法进行了封装，涵盖回归分析、降维处理、分类任务以及聚类算法等核心功能。在面对具体的机器学习问题时，开发者可参考相关图表指南来选择合适的算法模型。

Sklearn具备以下显著特点：

提供简洁高效的数据挖掘与数据分析工具接口。
支持在复杂应用场景中实现算法的重复使用与标准化部署。
底层架构建立在NumPy、Scipy以及MatPlotLib等科学计算库之上，确保高性能计算能力。

逻辑回归代码实现与评估

具体实现代码如下所示：


import xlrd
import matplotlib.pyplot as plt
import numpy as np
from sklearn import model_selection
from sklearn.linear_model import LogisticRegression
from sklearn import metrics
data = xlrd.open_workbook('gua.xlsx')
sheet = data.sheet_by_index(0)
Density = sheet.col_values(6)
Sugar = sheet.col_values(7)
Res = sheet.col_values(8)
# 读取原始数据
X = np.array([Density, Sugar])
# y的尺寸为(17,)
y = np.array(Res)
X = X.reshape(17,2)
# 绘制分类数据
f1 = plt.figure(1)
plt.title('watermelon_3a')
plt.xlabel('density')
plt.ylabel('ratio_sugar')
# 绘制散点图（x轴为密度，y轴为含糖率）
plt.scatter(X[y == 0,0], X[y == 0,1], marker = 'o', color = 'k', s=100, label = 'bad')
plt.scatter(X[y == 1,0], X[y == 1,1], marker = 'o', color = 'g', s=100, label = 'good')
plt.legend(loc = 'upper right')
plt.show()
# 从原始数据中选取一半数据进行训练，另一半数据进行测试
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.5, random_state=0)
# 逻辑回归模型
log_model = LogisticRegression()
# 训练逻辑回归模型
log_model.fit(X_train, y_train)
# 预测y的值
y_pred = log_model.predict(X_test)
# 查看测试结果
print(metrics.confusion_matrix(y_test, y_pred))
print(metrics.classification_report(y_test, y_pred))

总结

以上分享了基于Python sklearn库实现简单逻辑回归的完整代码示例，希望能为读者提供实际帮助。如有任何疑问，欢迎留言交流，小编将及时回复。同时感谢各位对本站的支持。若本文对您有所助益，欢迎转载，请注明出处，谢谢！