实验二：逻辑回归算法实验
| 20大数据三班 |
|作业链接|
| 学号 | 201613326 |
【实验目的】
理解逻辑回归算法原理，掌握逻辑回归算法框架；
理解逻辑回归的sigmoid函数；
理解逻辑回归的损失函数；
针对特定应用场景及数据，能应用逻辑回归算法解决实际分类问题。
【实验内容】
1.根据给定的数据集，编写python代码完成逻辑回归算法程序，实现如下功能：
建立一个逻辑回归模型来预测一个学生是否会被大学录取。假设您是大学部门的管理员，您想根据申请人的两次考试成绩来确定他们的入学机会。您有来自以前申请人的历史数据，可以用作逻辑回归的训练集。对于每个培训示例，都有申请人的两次考试成绩和录取决定。您的任务是建立一个分类模型，根据这两门考试的分数估计申请人被录取的概率。
算法步骤与要求：
(1)读取数据；(2)绘制数据观察数据分布情况；(3)编写sigmoid函数代码；(4)编写逻辑回归代价函数代码；(5)编写梯度函数代码；(6)编写寻找最优化参数代码（可使用scipy.opt.fmin_tnc()函数）；(7)编写模型评估（预测）代码，输出预测准确率；(8)寻找决策边界，画出决策边界直线图。
2. 针对iris数据集，应用sklearn库的逻辑回归算法进行类别预测。
要求：
（1）使用seaborn库进行数据可视化；（2）将iri数据集分为训练集和测试集(两者比例为8:2)进行三分类训练和预测；（3）输出分类结果的混淆矩阵。
【实验报告要求】
对照实验内容，撰写实验过程、算法及测试结果；
代码规范化：命名规则、注释；
实验报告中需要显示并说明涉及的数学原理公式；
查阅文献，讨论逻辑回归算法的应用场景；
【实验过程】
1.
(1)读取数据：
(2)绘制数据观察数据分布情况:
(3)编写sigmoid函数代码:
(4)编写逻辑回归代价函数代码:
(5)编写梯度函数代码：
(6)编写寻找最优化参数代码（可使用scipy.opt.fmin_tnc()函数）：
(7)编写模型评估（预测）代码，输出预测准确率:
(8)寻找决策边界，画出决策边界直线图
2. 针对iris数据集，应用sklearn库的逻辑回归算法进行类别预测
1）使用seaborn库进行数据可视化
（2）将iri数据集分为训练集和测试集(两者比例为8:2)进行三分类训练和预测
(3)输出分类结果的混淆矩阵
标签：逻辑,函数,代码,算法,编写,回归 From： https://www.cnblogs.com/sacrificed/p/16845079.html