== Обоснование ==
'''С точки зрения [[Байесовский классификаторБайесовская классификация|байесовского классификатора]]<sup>[на 28.01.19 не создан]</sup>'''
Наиболее строгое обоснование логистической регрессии опирается на следующую теорему
== Примеры кода ==
==== scikit-learn ====
Классификатор [https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html sklearn.linear_model.'''LogisticRegression'''] имеет несколько параметров, например:
* '''solver''' $-$ алгоритм, использующийся для оптимизации;* '''multi_class''' $-$ классификация на 2 или много классов.
* Импортируем нужные библиотеки:
'''from''' sklearn.linear_model '''import''' LogisticRegression
'''from''' sklearn '''import''' datasets
'''from''' sklearn.model_selection '''import''' train_test_split
* Выберем тренировочное и тестовое множества:
iris = datasets.'''load_iris()'''
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size='''0.3''')
* Обучение:
clf = LogisticRegression(random_state='''0''', solver='lbfgs', multi_class='multinomial')
model = clf.'''fit'''(X_train, y_train)
* Предсказание:
y_pred = model.'''predict'''(X_test)
model.'''score'''(X_test, y_test)
==== [[Примеры кода на Scala#Логистическая регрессия|Пример кода на Scala]] ======Пример на языке Java===Пример логистической регрессии с применением <code>smile.classification.LogisticRegression</code><ref>[https://haifengl.github.io/smile/api/java/smile/classification/LogisticRegression/ Smile, Logistic Regression]</ref> <code>Maven</code> зависимость: <dependency> <groupId>com.github.haifengl</groupId> <artifactId>smile-core</artifactId> <version>1.5.2</version> </dependency> '''import''' smile.data.AttributeDataset; '''import''' smile.data.NominalAttribute; '''import''' smile.classification.LogisticRegression; '''import''' smile.data.parser.ArffParser; '''var''' arffParser = new ArffParser(); arffParser.setResponseIndex(4); '''var''' iris = arffParser.parse(smile.data.parser.IOUtils.getTestDataFile("weka/iris.arff")); '''var''' logClf =new LogisticRegression(iris.x(), iris.labels()); logClf.predict(testX);
== См. также ==
== Источники информации ==
#* [http://www.machinelearning.ru/wiki/index.php?title=%D0%9B%D0%BE%D0%B3%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D1%80%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81%D0%B8%D1%8F machinelearning.ru {{---}} Логистическая регрессия] $-$ курс лекций Воронцова#* [https://en.wikipedia.org/wiki/Logistic_regression Wikipedia {{---}} Logistic regression] $-$ Wikipedia#* [https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html scikit-learn.org {{---}} документация по sklearn.linear_model.LogisticRegression] $-$ реализация алгоритма на scikit-learn.org
[[Категория: Машинное обучение]]
