Python логистическая регрессия

Логистическая регрессия - это метод машинного обучения, используемый для предсказания вероятности отнесения наблюдения к определенному классу. Она является одним из наиболее часто используемых алгоритмов для классификации в задачах обработки естественного языка, биоинформатики, маркетинга и других областях.

Вот пример кода, демонстрирующий реализацию логистической регрессии на языке Python с использованием библиотеки scikit-learn:

python
import numpy as np
from sklearn.linear_model import LogisticRegression
# Создаем обучающую выборку
X_train = np.array([[1, 2], [3, 4], [5, 6]])
y_train = np.array([0, 0, 1])
# Инициализируем и обучаем модель
model = LogisticRegression()
model.fit(X_train, y_train)
# Предсказываем класс нового наблюдения
X_test = np.array([[7, 8]])
y_pred = model.predict(X_test)
print(y_pred)  # [1]

В этом примере мы создаем обучающую выборку `X_train` состоящую из трех примеров с двумя признаками каждый, и соответствующими им метками классов в `y_train` (0 или 1). Затем мы инициализируем модель `LogisticRegression` из библиотеки scikit-learn и обучаем ее с помощью метода `fit()`, передавая в него обучающую выборку.

После обучения модели, мы можем использовать ее для предсказания классов новых наблюдений, передавая их признаки в метод `predict()`. В данном примере мы предсказываем класс нового наблюдения `[7, 8]`, и получаем результат `[1]`, что означает, что модель считает его принадлежащим к классу 1.

Таким образом, логистическая регрессия позволяет нам классифицировать новые наблюдения на основе обученной модели, предсказывая вероятности принадлежности к заданным классам.