机器学习代码学习(二)->>AND(与)

短命女 2022-05-06 10:38 206阅读 0赞

下面代码为: .ipynb文件, 可以在Jupyter上运行  
题目为:  
给了两个.csv文件(一个训练, 一个测试)  
训练(x>0且y>0)与其他分开  
要求找出一条线进行分类(二分法)

import numpy as np
    import matplotlib.pyplot as plt
    import pandas as pd
    from sklearn import linear_model
    %matplotlib inline
    
    data = pd.read_csv('C:\\input\\AND.csv')
    data_t = pd.read_csv('C:\\input\\AND(TEST).csv')
    X = data.iloc[:, [0, 1]].values #使用0跟1列的資料
    Y = data.iloc[:, 2].values #使用2列的資料
    
    X_t = data_t.iloc[:, [0, 1]].values #使用0跟1列的資料
    Y_t = data_t.iloc[:, 2].values #使用2列的資料
     
    logreg =linear_model.LogisticRegression(C=10000) # C = 1/alpha
    logreg.fit(X, Y)
    a=logreg.score(X, Y)
    b=logreg.score(X_t, Y_t)
    print("logistic_train={}".format(a))
    print("logistic_test={}".format(b))
    # 繪製決策邊界。為此，我們將為每個顏色分配一個顏色
    # 指向網格[x_min，m_max所]：[Y_MIN，Y_MAX]
    x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
    y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
    h = .02  # 網格中的步長
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) #根據給定的坐標向量創建坐標矩陣
    Z = logreg.predict(np.c_[xx.ravel(), yy.ravel()])  #按colunm來組合
    Z = Z.reshape(xx.shape) #找出0及1的座標位置
    plt.figure(figsize=(15, 5))
    plt.subplot(121)
    plt.pcolormesh(xx, yy, Z, cmap='RdBu')
    plt.scatter(X[:, 0], X[:, 1], c=Y, edgecolors='k', cmap=plt.cm.Paired)
    plt.xlabel('x')
    plt.ylabel('y')
    plt.title("train")
    plt.xlim(xx.min(), xx.max())
    plt.ylim(yy.min(), yy.max())
    
    
    x_min_t, x_max_t = X_t[:, 0].min() - .5, X_t[:, 0].max() + .5
    y_min_t, y_max_t = X_t[:, 1].min() - .5, X_t[:, 1].max() + .5
    h = .02  # 網格中的步長
    xx_t, yy_t = np.meshgrid(np.arange(x_min_t, x_max_t, h), np.arange(y_min_t, y_max_t, h)) #根據給定的坐標向量創建坐標矩陣
    Z_t = logreg.predict(np.c_[xx_t.ravel(), yy_t.ravel()])  #按colunm來組合
    Z_t = Z_t.reshape(xx_t.shape) #找出0及1的座標位置
    plt.subplot(122)
    plt.pcolormesh(xx_t, yy_t, Z_t, cmap='RdBu')
    plt.scatter(X_t[:, 0], X_t[:, 1], c=Y_t, edgecolors='k', cmap=plt.cm.Paired)
    plt.xlabel('x')
    plt.ylabel('y')
    
    plt.show()