如何在 Python 中建立和训练线性和 logistic 回归 ML 模型？

原文： How to Build and Train Linear and Logistic Regression ML Models in Python

翻译： 雷锋字幕组 （Key、君思）

线性回归与logistic回归，是 目前最流行的两个机器学习模型 。

在我的 上一篇教程 里，你们已经学习了线性回归机器学习算法背后的历史和理论。

本教程的主题是：如何用Python中的scikit-learn库，建立、训练和测试你的第一个线性回归机器学习模型。

第1节：线性回归

本教程中将使用的数据集

    由于线性回归是我们在本课程中学习的第一种机器学习模型，在本教程中我们将使用人工创建的数据集。因为这样我们可以专注于学习机器学习的概念，避免在清洗和处理数据上浪费不必要的时间。

    具体来说，我们将使用住房数据的数据集并尝试预测住房价格。在建立模型之前，我们首先要导入所需的库。

本教程中将使用的库

    我们将导入的第一个库是 pandas ，它是源于"panel data"（面板数据）的复合词，是处理表格数据最受欢迎的Python库。

    按照惯例，以别名 pd 导入 pandas 。你 可以使用以下语句导入 pandas ：

import pandas as pd

    接下来，我们需要导入 NumPy ，一个流行的数值计算库。 Numpy因其 NumPy array 型数据结构，以及 reshape ， arrange ， append 这些非常实用的方法而闻名。

     按照惯例，以别名 np 导入 NumPy 。你 可以使用以下语句导入 numpy ：

import numpy as np

    接下来，我们需要导入 matplotlib ，Python中最受欢迎的 数据可视化 库。matplotlib通常以别名plt导入， 你可以使用以下语句导入matplotlib：

import matplotlib.pyplot as plt%matplotlib inline

    语句％matplotlib inline将使我们的matplotlib可视化效果直接嵌入到Jupyter Notebook中，使它们更易于访问和解释。

    最后，导入seaborn，这是另一个Python数据可视化库，可以让我们更轻松地使用matplotlib创建美观的可视化结果。

    你可以使用以下语句导入seaborn：

import seaborn as sns

    总结一下，以下是本教程中需要导入的所有库：

import pandas as pdimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlineimport seaborn as sns

    在以后的课程中，我会说明必需导入哪些库，但不会再像这样进行详细的解释。

导入数据集

正如之前所提到的，我们将用到一个房屋信息的数据集。数据集已经以csv文件的形式上传到我的个人网站，链接如下：

https://nickmccullum.com/files/Housing_Data.csv

要向你的 Jupyter Notebook 中导入数据集，首先复制上述链接，粘贴到你的浏览器中进行下载。然后，将该文件移动到与你的Jupyter Notebook相同的文件夹下。

完成这一步后，输入以下 Python 指令将向你的Jupyter Notebook导入房屋数据集：

raw_data = pd.read_csv('Housing_Data.csv')

这一数据集有着一系列特征，包括：

• 该区域居住人口的平均收入

• 该区域房屋的平均房间个数

• 房屋的出售价格

• 房屋的具体地址

这些数据都是随机生成的，所以你会发现一些不太合理的细节（如某个数字本应该是整数，却有着多个小数位数）。

了解数据集

现在，数据集已被导入并存储为名为raw_data的变量。你可以用名为info的方法（method）得到该数据集的一些大致信息。具体来说，运行指令raw_data.info()将得到：

RangeIndex: 5000 entries, 0 to 4999Data columns (total 7 columns):Avg. Area Income                5000 non-null float64Avg. Area House Age             5000 non-null float64Avg. Area Number of Rooms       5000 non-null float64

另一个有效获取数据集信息的途径，是生成散点图矩阵。你可以用seaborn库中的pairplot方法，并传入整个数据框作为该方法的参数。完整指令如下：

sns.pairplot(raw_data)

该指令的输入如下：

下一步，就让我们开始建立我们的线性回归模型吧。

建立机器学习的线性回归模型

我们要做的第一件事，是将我们的数据分为一个x数组（包含我们用于预测的所有数据）以及一个y数组（包含我们试图预测的所有数据）。

首先，我们要选择包含哪几列。你可以通过raw_data.columns指令得到该数据框的所有列名。其输出为：

Index(['Avg. Area Income', 'Avg. Area House Age', 'Avg. Area Number of Rooms',       'Avg. Area Number of Bedrooms', 'Area Population', 'Price', 'Address'],      dtype='object')

我们的x数组将包含以上的大部分变量，只排除Price（因为这就是我们试图预测的一列）和Address（因为它只有文本信息）。

让我们建立x数组，并将它存储为变量x：

x = raw_data[['Avg. Area Income', 'Avg. Area House Age', 'Avg. Area Number of Rooms',       'Avg. Area Number of Bedrooms', 'Area Population']]

然后，建立y数组，并存储为变量y：

y = raw_data['Price']

于是，我们便成功地将数据集分成了一个x数组（即模型的输入值）与一个y数组（即模型的输出值）。在下一节，我们将学习如何进一步将数据集划分为训练数据与测试数据。

划分数据集为训练数据和测试数据

scikit-learn库令我们可以很简单地将我们的数据集划分为训练数据和测试数据。要做到这一步，我们需要从scikit-learn的model_selection模块导入train_test_split函数：

from sklearn.model_selection import train_test_split

train_test_split函数需要三个输入值：

• 我们的x数组

• 我们的y数组

• 我们想要的测试数据大小

有了这些参数，train_test_split函数便会为我们划分数据了！如果我们希望我们的测试数据占全部数据的30%，可以通过以下代码来实现：

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)

让我们打开黑箱，看看里面到底发生了什么。

train_test_split函数返回了一个长度为4的 Python列表 ，其中的元素分别为x_train，x_test，y_train和y_test。然后，我们便可以通过Python的列表解包，将这些变量分配到各自对应的变量名下。现在，我们已经很好地划分了我们的数据集，是时候建立和训练机器学习的线性回归模型了。

建立和训练模型

首先，我们需要从scikit-learn库中导入LinearRegression估计器。其Python指令如下：

from sklearn.linear_model import LinearRegression

然后，我们需要建立LinearRegression这个Python对象的一个实例。我们将它存储为变量model。相应代码如下：

model = LinearRegression()

我们可以用scikit-learn库的fit方法，在我们的训练数据上训练这个模型。

model.fit(x_train, y_train)

现在，我们已经将这个模型训练好了。你可以通过以下指令查看这个模型的每个参数：

print(model.coef_)

上述指令将输出：

[2.16176350e+01 1.65221120e+05 1.21405377e+05 1.31871878e+03 1.52251955e+01]

类似地，也可以通过以下指令查看所得回归方程的截距：

print(model.intercept_)

上述指令将输出：

-2641372.6673013503

还有一个更好的方法来查看所有参数，那就是将它们一并放进一个数据框里。这一步可以通过以下指令完成：

pd.DataFrame(model.coef_, x.columns, columns = ['Coeff'])

这里的输出就好理解多了：

让我们花点时间，来看看这些参数分别是什么意思。我们具体查看变量Area Population，其参数大概为15。

这一数字表示，若其他所有变量保持不变，而Area Population增加了1个单位的话，那么我们预测的变量——在这里是Price——将增加15个单位。

换句话说，一个变量有着很大的参数，说明它对你试图预测的变量有着很大的影响。而一个有着小参数的变量，其影响也同样较小。

现在我们已经建立了我们的第一个 机器学习线性回归模型，是时候用这个模型去为我们的测试数据做预测了。

根据我们的模型做出预测

scikit-learn  使从机器学习模型进行预测变得非常容易。您只需要 在 我们之前创建的模型变量上调用  预报方法  。

由于  预测  变量旨在进行预测，因此它仅接受  x数组  参数。它将 为您生成  y值！

这是您需要使用predict  方法从我们的模型生成预测的代码  ：

predictions = model.predict(x_test)

 x_test 特征值 存储在 predictions 预测变量中。由于我们使用  train_test_split  方法将 实际   值存储  在  y_test中，因此下一步要做的是将  预测  数组的值与y_test的值进行  比较。

一种简单的方法是使用散点图绘制两个数组。 使用  plt.scatter  方法很容易构建  

plt.scatter(y_test, predictions)

这是此代码生成的散点图：

如您所见，我们的预测值非常接近数据集中观测值的实际值。该散点图中的一条完美的对角线将表明我们的模型完美地预测了  y数组  值。

直观地评估模型性能的另一种方法是绘制其  残差，即实际  y数组  值与预测  y数组  值之间的差。

下面的语句是实现此目的简单方法：

plt.hist(y_test - predictions)

这是此代码生成的可视化效果：

这是我们的机器学习模型残差的直方图。

您可能会注意到，我们的机器学习模型中的残差似乎呈正态分布。这是一个很好的信号！

它表明我们已经选择了适当的模型类型（在这种情况下为线性回归）来根据我们的数据集进行预测。在本课程的后面，我们将详细了解如何确保使用正确的模型。

测试模型的性能

在本课程开始时，我们了解到，回归机器学习模型使用了三个主要性能指标：

• 平均绝对误差

• 均方误差

• 均方根误差

现在，我们将看到如何为本教程中构建的模型计算这些指标中的每一个。在继续之前，请在Jupyter Notebook中运行以下import语句：

from sklearn import metrics

平均绝对误差（MAE）

您可以使用以下语句在Python中计算平均绝对错误：

metrics.mean_absolute_error(y_test, predictions)

均方误差（MSE）

同样，您可以使用以下语句在Python中计算均方误差：

metrics.mean_squared_error(y_test, predictions)

均方根误差（RMSE）

与均值绝对误差和均方误差不同，  scikit-learn  实际上没有内置的方法来计算均方根误差。

幸运的是，它确实不需要。由于均方根误差只是均方根误差的平方根，因此您可以使用NumPy的  sqrt  方法轻松地进行计算：

np.sqrt(metrics.mean_squared_error(y_test, predictions))

本教程的完整代码

这是此Python线性回归机器学习教程的全部代码。您也可以在 此GitHub存储库中 查看它  。

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns%matplotlib inlineraw_data = pd.read_csv('Housing_Data.csv')x = raw_data[['Avg. Area Income', 'Avg. Area House Age', 'Avg. Area Number of Rooms',       'Avg. Area Number of Bedrooms', 'Area Population']]y = raw_data['Price']from sklearn.model_selection import train_test_splitx_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3)from sklearn.linear_model import LinearRegressionmodel = LinearRegression()model.fit(x_train, y_train)print(model.coef_)print(model.intercept_)pd.DataFrame(model.coef_, x.columns, columns = ['Coeff'])predictions = model.predict(x_test)# plt.scatter(y_test, predictions)plt.hist(y_test - predictions)from sklearn import metricsmetrics.mean_absolute_error(y_test, predictions)metrics.mean_squared_error(y_test, predictions)np.sqrt(metrics.mean_squared_error(y_test, predictions))

第2节：logistic 回归

注意-如果到目前为止您已经在本教程中进行编码，并且已经建立了线性回归模型，则在继续之前，您需要打开一个新的Jupyter Notebook（其中没有代码）。

我们将在本教程中使用的数据集

泰坦尼克号数据集是非常著名的数据集，其中包含有关泰坦尼克号上乘客的特征。它通常用作logistic回归问题的入门数据集。

在本教程中，我们将结合泰坦尼克号数据集和Python logistic回归模型来预测乘客是否在泰坦尼克号坠机事故中幸免。

在   原来的泰坦尼克号数据集   是公开的上   Kaggle.com ，这是一个网站，主机的数据集和数据科学竞赛。

为了使您本课程的学生更轻松，我们将使用Titanic数据集的半清洁版本，这将节省您在数据清洁和处理上的时间。

实际上，已清理的Titanic数据集已可供您使用。您可以通过单击以下链接下载数据文件：

• 泰坦尼克号数据

下载此文件后， 在同一工作目录中打开   Jupyter Notebook ，我们可以开始构建  logistic回归模型。

我们将在本教程中使用的导入

和以前一样，本教程中将使用多个开源软件库。这是我通过Python Logistic回归模型进行编码时需要遵循的导入：

import pandas as pdimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlineimport seaborn as sns

接下来，我们需要将Titanic数据集导入到我们的Python脚本中。

通过探索性数据分析了解我们的数据集

每个分类类别的普遍性

在使用机器学习技术对分类问题进行建模时，了解类别之间的比率始终是一个好主意。对于此特定问题，查看我们的训练数据中有多少幸存者与非幸存者是有用的。

一种简单的可视化方法是使用  seaborn  plot  countplot。在此示例中，您可以 使用以下Python代码创建适当的  seasborn绘图：

sns.countplot(x='Survived', data=titanic_data)

这将生成以下图：

如您所见，与幸存者相比，非幸存者的发病率要高得多。

性别之间的成活率

比较相对于某些其他数据特征的生存率也很有用。例如，我们可以 使用以下Python代码来比较Sex的Male  和  Female  值  之间的生存率  ：

sns.countplot(x='Survived', hue='Sex', data=titanic_data)

这将生成以下图：

如您所见，  性别  为  男性的  乘客比性别  为  女性的乘客更有可能是非幸存者  。

旅客舱位之间的成活率

我们可以使用Pclass  变量执行类似的分析，  以查看哪个旅客类别最有（和最少）可能有幸存者。

这是执行此操作的代码：

sns.countplot(x='Survived', hue='Pclass', data=titanic_data)

这将生成以下图：

从该图中最明显的观察结果是， 当泰坦尼克号坠毁时，Pclass  值为  3的乘客-表示最便宜，最不豪华的第三等舱的乘客  更有可能死亡。

从我们的数据集中删除空数据

首先，让我们检查数据集中包含缺失数据的位置。为此，请运行以下命令：

titanic_data.isnull()

这将生成一个布尔值的DataFrame，如果该单元格 为空值，则该单元格包含  True，否则为  False  。这是它的样子的图像：

评估此数据集中缺失数据的一种更为有用的方法是创建快速可视化。为此，我们可以使用  seaborn  可视化库。这是快速命令，可用于 使用  seaborn  库创建  热图：

sns.heatmap(titanic_data.isnull(), cbar=False)

这是生成的可视化效果：

在此可视化中，白线表示数据集中缺少的值。您会看到“  年龄”  和“  机舱”列包含“泰坦尼克号”数据集中大部分丢失的数据。

 特别是“  年龄”列包含的缺失量很小，我们可以使用某种形式的数学来填充缺失数据。另一方面，  机舱  数据缺少足够的数据，因此我们有可能将其完全从模型中删除。

用其余数据集中的平均数据填充缺失数据的过程称为  归因。现在，我们将使用  插补  来填充“ 年龄”  列中的缺失数据  。

估算的最基本形式是   用 整个数据集中的平均年龄值 填充缺失的  年龄数据  。但是，有更好的方法。

我们将 使用 该乘客所属 的特定Pclass乘客舱的平均Age值来  填充缺少的  Age值  。要了解为什么这样做有用，请考虑以下箱线图：

sns.boxplot(titanic_data['Pclass'], titanic_data['Age'])

如您所见，  Pclass  值为  1  （最昂贵的乘客舱）的乘客往往是最老的，而Pclass  值为  3  （最便宜的乘客）的乘客  往往是最年轻的。这是非常符合逻辑的，所以我们将使用的平均  年龄  不同范围内的值  Pclass  数据  imputate  我们丢失的数据  年龄  列。

对像泰坦尼克号数据集这样的数据集执行插补的最简单方法  是构建自定义函数。首先，我们需要确定 每个  Pclass  值的平均  Age值。

#Pclass value 1titanic_data[titanic_data['Pclass'] == 1]['Age'].mean()#Pclass value 2titanic_data[titanic_data['Pclass'] == 2]['Age'].mean()#Pclass 3titanic_data[titanic_data['Pclass'] == 2]['Age'].mean()

这是我们将用来估算  缺少的  Age  变量的最终函数  ：

def impute_missing_age(columns):    age = columns[0]    passenger_class = columns[1]        if pd.isnull(age):        if(passenger_class == 1):            return titanic_data[titanic_data['Pclass'] == 1]['Age'].mean()        elif(passenger_class == 2):            return titanic_data[titanic_data['Pclass'] == 2]['Age'].mean()        elif(passenger_class == 3):            return titanic_data[titanic_data['Pclass'] == 3]['Age'].mean()            else:        return age

现在，该插补功能已经完成，我们需要将其应用于titanic_data  DataFrame 中的每一行  。Python的  apply  方法是一个出色的工具：

titanic_data['Age'] = titanic_data[['Age', 'Pclass']].apply(impute_missing_age, axis = 1)

既然我们已经 对每一行执行了  估算以处理丢失的  Age  数据，那么让我们研究一下原始箱形图：

sns.heatmap(titanic_data.isnull(), cbar=False)

您会 发现我们的熊猫DataFrame 的Age列中不再缺少任何数据  ！

您可能想知道为什么我们要花费大量时间 专门处理“ 年龄”列中的丢失数据  。这是因为考虑到年龄  对大多数灾难和疾病生存的影响，  在我们的数据集中，该变量可能具有很高的预测价值。

现在我们已经了解了该数据集的结构并删除了缺失的数据，让我们开始构建logistic回归机器学习模型。

建立logistic回归模型

现在是时候删除我们的logistic回归模型了。

删除缺少太多数据的列

首先，我们删除“  Cabin” 列。正如我们所提到的，此列中丢失数据的普遍性意味着 对丢失数据进行估算是不明智的  ，因此我们将使用以下代码将其完全删除：

titanic_data.drop('Cabin', axis=1, inplace = True)

接下来，让我们使用pandas dropna（）  方法删除包含丢失数据的所有其他列  ：

titanic_data.dropna(inplace = True)

使用虚拟变量处理分类数据

我们需要处理的下一个任务是处理分类特征。即，我们需要找到一种方法来对非自然数值的观测值进行数值处理。

性别  列就是一个很好的例子，该  列具有两个值：  Male  和  Female。同样，“  登船”一  栏包含一个字母，表示该乘客离开的城市。

为了解决这个问题，我们将创建  伪变量。这些为非数值特征的每个类别分配一个数值。

幸运的是，  pandas  具有一个名为get_dummies（）的内置方法   ，可轻松创建虚拟变量。该  get_dummies  方法确实有一个问题-它会在数据帧列中的每个值创建新列。

让我们考虑一个示例，以帮助您更好地理解这一点。如果我们 在Age  列上调用  get_dummies（）方法，  则会得到以下输出：

pd.get_dummies(titanic_data['Sex'])

如您所见，这将创建两个新列：  female  和  male。这些列都将是彼此的完美预测，由于值  0  在  雌性列指示的值  1  在  雄性  柱，反之亦然。

这称为  多重共线性  ，它会大大降低算法的预测能力。要删除它，我们可以将参数drop_first = True添加   到  get_dummies  方法中，如下所示：

pd.get_dummies(titanic_data['Sex'], drop_first = True)

现在，让我们为我们的虚拟变量列  性别  和  走上  列，并将它们分配给变量称为  性  和  进发。

sex_data = pd.get_dummies(titanic_data['Sex'], drop_first = True)embarked_data = pd.get_dummies(titanic_data['Embarked'], drop_first = True)

还有就是要注意的一个重要的事情有关  走上  下面定义的变量。它有两列：  Q  和  S，但是由于我们已经删除了另一列（  C  列），因此其余两列都不是彼此的完美预测变量，因此   在修改后的新数据集中不存在多重共线性。

将虚拟变量添加到  pandas  DataFrame

Next we need to add our sex and embarked columns to the DataFrame.

您可以   使用以下代码 将这些数据列 连接 到现有的  pandas DataFrame中：

titanic_data = pd.concat([titanic_data, sex_data, embarked_data], axis = 1)

现在，如果您运行命令  print（titanic_data.columns），那么Jupyter Notebook将生成以下输出：

Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp',       'Parch', 'Ticket', 'Fare', 'Embarked', 'male', 'Q', 'S'],      dtype='object')

的存在  男性，  Q和  S  列显示，我们的数据被成功地连接起来。

从数据集中删除不必要的列

这意味着我们现在可以 从DataFrame中删除原始的  Sex  和  Embarked列。还有其他一些列（如  Name  ，  PassengerId，  Ticket）无法预测泰坦尼克号的撞车幸存率，因此我们也将其删除。以下代码为我们处理了此问题：

titanic_data.drop(['Name', 'Ticket', 'Sex', 'Embarked'], axis = 1, inplace = True)

如果您 现在打印  titanic_data.columns，那么Jupyter Notebook将生成以下输出：

Index(['Survived', 'Pclass', 'Age', 'SibSp', 'Parch', 'Fare',       'male', 'Q', 'S'],      dtype='object'

DataFrame现在具有以下外观：

如您所见，该数据集中的每个字段现在都是数字，这使其成为logistic回归机器学习算法的理想候选者。

创建培训数据和测试数据

接下来，是时候将我们的  titanic_data  分为训练数据和测试数据了。和以前一样，我们将使用scikit-learn的内置功能   来执行此操作。

首先，我们需要将我们的数据分为  x  值（我们将用于进行预测 的数据）和  y值（我们正在尝试预测的数据）。以下代码处理此问题：

y_data = titanic_data['Survived']x_data = titanic_data.drop('Survived', axis = 1)

接下来，我们需要 从scikit-learn导入  train_test_split函数  。以下代码执行此导入：

from sklearn.model_selection import train_test_split

最后，我们可以 结合使用  train_test_split函数和列表解压缩来生成我们的训练数据和测试数据：

x_training_data, x_test_data, y_training_data, y_test_data = train_test_split(x_data, y_data, test_size = 0.3)

请注意，在这种情况下，测试数据是参数test_size = 0.3指定的原始数据集的30％  。

现在，我们为logistic回归模型创建了训练数据和测试数据。我们将在本教程的下一部分中训练我们的模型。

训练logistic回归模型

要训练我们的模型，我们首先需要 使用以下命令从scikit-learn导入适当的模型  ：

from sklearn.linear_model import LogisticRegression

接下来，我们需要通过实例化LogisticRegression  对象的实例来创建模型  ：

model = LogisticRegression()

要训练模型，我们需要 在 刚刚创建的LogisticRegression对象上调用  fit方法，  并传入  x_training_data  和  y_training_data  变量，如下所示：

model.fit(x_training_data, y_training_data)

我们的模型现已训练完毕。我们将在本教程的下一部分中开始使用此模型进行预测。

使用我们的Logistic回归模型进行预测

让我们使用 刚刚创建的模型logistic回归模型对测试数据进行一组预测  。我们将这些预测存储在一个名为predictions的变量中  ：

predictions = model.predict(x_test_data)

我们已经做出了预测。接下来让我们检查模型的准确性。

测量Logistic回归机器学习模型的性能

scikit-learn具有一个出色的内置模块，称为分类 _报告   ，可轻松衡量分类机器学习模型的性能。我们将使用此模块来评估我们刚刚创建的模型的性能。

首先，让我们导入模块：

from sklearn.metrics import classification_report

接下来，让我们使用该模块为我们的logistic回归机器学习模块计算性能指标：

classification_report(y_test_data, predictions)

这是此命令的输出：

             precision    recall  f1-score   support           0       0.83      0.87      0.85       169           1       0.75      0.68      0.72        98    accuracy                           0.80       267   macro avg       0.79      0.78      0.78       267weighted avg       0.80      0.80      0.80       267

如果您有兴趣查看原始的混淆矩阵并手动计算性能指标，则可以使用以下代码进行操作：

from sklearn.metrics import confusion_matrixprint(confusion_matrix(y_test_data, predictions))

这将产生以下输出：

[[145  22] [ 30  70]]

本教程的完整代码

您可以在 GitHub存储库中 查看本教程的完整代码  。还将其粘贴在下面以供您参考：

import pandas as pdimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlineimport seaborn as sns#Import the data settitanic_data = pd.read_csv('titanic_train.csv')#Exploratory data analysissns.heatmap(titanic_data.isnull(), cbar=False)sns.countplot(x='Survived', data=titanic_data)sns.countplot(x='Survived', hue='Sex', data=titanic_data)sns.countplot(x='Survived', hue='Pclass', data=titanic_data)plt.hist(titanic_data['Age'].dropna())plt.hist(titanic_data['Fare'])sns.boxplot(titanic_data['Pclass'], titanic_data['Age'])#Imputation functiondef impute_missing_age(columns):    age = columns[0]    passenger_class = columns[1]        if pd.isnull(age):        if(passenger_class == 1):            return titanic_data[titanic_data['Pclass'] == 1]['Age'].mean()        elif(passenger_class == 2):            return titanic_data[titanic_data['Pclass'] == 2]['Age'].mean()        elif(passenger_class == 3):            return titanic_data[titanic_data['Pclass'] == 3]['Age'].mean()            else:        return age#Impute the missing Age datatitanic_data['Age'] = titanic_data[['Age', 'Pclass']].apply(impute_missing_age, axis = 1)#Reinvestigate missing datasns.heatmap(titanic_data.isnull(), cbar=False)#Drop null datatitanic_data.drop('Cabin', axis=1, inplace = True)titanic_data.dropna(inplace = True)#Create dummy variables for Sex and Embarked columnssex_data = pd.get_dummies(titanic_data['Sex'], drop_first = True)embarked_data = pd.get_dummies(titanic_data['Embarked'], drop_first = True)#Add dummy variables to the DataFrame and drop non-numeric datatitanic_data = pd.concat([titanic_data, sex_data, embarked_data], axis = 1)titanic_data.drop(['Name', 'PassengerId', 'Ticket', 'Sex', 'Embarked'], axis = 1, inplace = True)#Print the finalized data settitanic_data.head()#Split the data set into x and y datay_data = titanic_data['Survived']x_data = titanic_data.drop('Survived', axis = 1)#Split the data set into training data and test datafrom sklearn.model_selection import train_test_splitx_training_data, x_test_data, y_training_data, y_test_data = train_test_split(x_data, y_data, test_size = 0.3)#Create the modelfrom sklearn.linear_model import LogisticRegressionmodel = LogisticRegression()#Train the model and create predictionsmodel.fit(x_training_data, y_training_data)predictions = model.predict(x_test_data)#Calculate performance metricsfrom sklearn.metrics import classification_reportprint(classification_report(y_test_data, predictions))#Generate a confusion matrixfrom sklearn.metrics import confusion_matrixprint(confusion_matrix(y_test_data, predictions))

总结

在本教程中，您学习了如何在Python中构建线性回归和logistic回归机器学习模型。

如果您想了解有关构建，培训和部署前沿机器学习模型的更多信息，我的电子书   实用机器学习   将教您如何使用实际项目构建9种不同的机器学习模型。

您可以将代码从电子书部署到GitHub或个人投资组合，以向潜在雇主展示。这本书将于8月3日发行，   现在可以50％的价格预订 ！

这是您从本文中学到的内容的简短摘要：

• 如何导入构建线性回归机器学习算法所需的库

• 如何使用scikit-learn将数据集分为训练数据和测试数据 

• 如何使用  scikit-learn  训练线性回归模型并使用该模型进行预测

• 如何使用scikit-learn计算线性回归性能指标 

• 为什么Titanic数据集经常用于学习机器学习分类技术

• 处理分类机器学习问题的数据集时如何执行探索性数据分析

• 如何处理Pandas DataFrame中的缺失数据

• 什么  归集  手段，以及如何使用它来填补丢失的数据

• 如何为机器学习数据集中的分类数据创建虚拟变量

• 如何在Python中训练Logistic回归机器学习模型

• 如何在Python中使用logistic回归模型进行预测

• 如何将  scikit-的  classification_report  为机器学习分类问题快速计算性能指标

---

雷锋字幕组 是由AI爱好者组成的志愿者翻译团队；团队成员有大数据专家、算法工程师、图像处理工程师、产品经理、产品运营、IT咨询人、在校师生；志愿者们来自IBM、AVL、Adobe、阿里、百度等知名企业，北大、清华、港大、中科院、南卡罗莱纳大学、早稻田大学等海内外高校研究所。

了解字幕组请联系微信：tlacttlact

转载请联系字幕组微信并注明出处：雷锋字幕组

雷锋网 (公众号：雷锋网) 雷锋网雷锋网

雷锋网版权文章，未经授权禁止转载。详情见。