Python 中的逻辑回归 - 构建分类器

您不必从头开始构建分类器。 构建分类器很复杂，需要统计、概率论、优化技术等多个领域的知识。 市场上有几个预构建的库，这些库对这些分类器进行了全面测试且非常有效。 我们将使用 sklearn 中的一个此类预构建模型。

sklearn 分类器

从 sklearn 工具包创建逻辑回归分类器很简单，可以在单个程序语句中完成，如下所示 −

In [22]: classifier = LogisticRegression(solver='lbfgs',random_state=0)

创建分类器后，您需要将训练数据输入分类器，以便分类器调整其内部参数并为预测未来数据做好准备。 为了调整分类器，我们运行以下语句 −

In [23]: classifier.fit(X_train, Y_train)

现在分类器已准备好进行测试。 下面的代码是上面两条语句执行后的输出 −

Out[23]: LogisticRegression(C = 1.0, class_weight = None, dual = False, 
   fit_intercept=True, intercept_scaling=1, max_iter=100, 
   multi_class='warn', n_jobs=None, penalty='l2', random_state=0, 
   solver='lbfgs', tol=0.0001, verbose=0, warm_start=False))

现在，我们准备测试创建的分类器。 我们将在下一章处理这个问题。