【Python】ロジスティック回帰のサンプルプログラムを書いてみた！ │ 泉浩兵ブログ

前回、K近傍法によるサンプルプログラムを書きました。

https://traveler0401.com/python-k_nearest_neighbor_algorithm/

最近Pythonで遊んでおります。ってことで今回は、K近傍法のサンプルプログラムを書いてみました。僕のプロフィールはこちら環境・JupyterLab僕はDocker環境を利用しています。 ■参考記事ソースコード■GitHubURL：「https://github.com/izumin0401/docker-anaconda/blob/master/k_nearest_neighbor_algorithm.ipynb」 K近傍法とは他サイトにいっぱい情報があるので割愛します。 K近傍法のサンプルプログラムfrom sklearn.datasets import load_irisfrom sklearn.model_select...

ってことで今回は、ロジスティック回帰のサンプルプログラムを書いてみます。

僕のプロフィールはこちら

1. 環境
2. ソースコード
3. ロジスティック回帰とは
4. ロジスティック回帰のサンプルプログラム
5. ロジスティック回帰による実行結果
6. おすすめ本
7. まとめ
8. 関連記事

環境

・JupyterLab

僕はDocker環境を利用しています。

■参考記事

泉浩兵ブログ

Docker×JupyterLab環境構築手順！インストールは一切不要！

https://traveler0401.com/docker-anaconda/

Anacondaとかをホストには入れたくないので、Dockerで使えるようにします。最終的にDockerさえあれば、他ツールのインストールは一切不要です。ってことで今回は、Docker×JupyterLabの環境構築手順を説明します。僕のプロフィールはこちら Docker×JupyterLab環境構築Dockerfileの準備＆実行まずはDockerfileを準備します。 FROM continuumio/anaconda3:2019.10RUN pip install --upgrade pip && \ pip install autopep8 && \ pip install Keras && \ pip install tensorflow W...

ソースコード

■GitHub

URL：「https://github.com/izumin0401/docker-anaconda/blob/master/logistic_regression.ipynb」

ロジスティック回帰とは

他サイトにいっぱい情報があるので割愛します。

ロジスティック回帰のサンプルプログラム

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn import metrics
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

# アイリスデータをロードする
iris = load_iris()

# 学習用データ、予測用データ、学習用教師データ、予測用教師データを「学習：8、予測：2」の割合で割り当てる
(train_X, test_X, train_Y, test_Y) = train_test_split(iris.data, iris.target, test_size=0.2)

# ロジスティック回帰用インスタンス生成
model = LogisticRegression()

# 学習モデル生成
model.fit(train_X, iris.target_names[train_Y])

# ロジスティック回帰による予測を行う
pred = model.predict(test_X)

# 精度を計算する
score = accuracy_score(iris.target_names[test_Y], pred)

# 結果を出力する
print('score:%s' % score)
print(classification_report(iris.target_names[test_Y], pred))
print(confusion_matrix(iris.target_names[test_Y], pred))

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

from sklearn import metrics

from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

# アイリスデータをロードする

iris = load_iris()

# 学習用データ、予測用データ、学習用教師データ、予測用教師データを「学習：8、予測：2」の割合で割り当てる

(train_X, test_X, train_Y, test_Y) = train_test_split(iris.data, iris.target, test_size=0.2)

# ロジスティック回帰用インスタンス生成

model = LogisticRegression()

# 学習モデル生成

model.fit(train_X, iris.target_names[train_Y])

# ロジスティック回帰による予測を行う

pred = model.predict(test_X)

# 精度を計算する

score = accuracy_score(iris.target_names[test_Y], pred)

# 結果を出力する

print('score:%s' % score)

print(classification_report(iris.target_names[test_Y], pred))

print(confusion_matrix(iris.target_names[test_Y], pred))

ロジスティック回帰のサンプルプログラムです。

前回書いたK近傍法のプログラムとほぼ変わらないですね。

※データはアイリスデータを使用しています。

ロジスティック回帰による実行結果

score:1.0
              precision    recall  f1-score   support

      setosa       1.00      1.00      1.00        10
  versicolor       1.00      1.00      1.00         9
   virginica       1.00      1.00      1.00        11

    accuracy                           1.00        30
   macro avg       1.00      1.00      1.00        30
weighted avg       1.00      1.00      1.00        30

[[10  0  0]
 [ 0  9  0]
 [ 0  0 11]]