这篇文章给大家分享的是有关如何使用Python的简化方法的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。
为铁力等地区用户提供了全套网页设计制作服务，及铁力网站建设行业解决方案。主营业务为网站建设、成都网站设计、铁力网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！逻辑回归的目标是什么？
在逻辑回归中，我们希望根据一个或多个自变量（X）对因变量（Y）进行建模。这是一种分类方法。此算法用于分类的因变量。Y使用一个函数建模，该函数为X的所有值提供0到1之间的输出。在逻辑回归中，使用Sigmoid（aka Logistic）函数。
使用混淆矩阵进行模型评估
在针对某些训练数据训练逻辑回归模型之后，我们将评估模型在某些测试数据上的性能。为此，我们使用混淆矩阵（Confusion Matrix）。混淆矩阵是一个表，通常用于描述分类模型在一组已知真实值的测试数据上的性能。下面给出的是混淆矩阵。
TP代表真正例（True Positive），即我们预测为"是（yes）"且实际值为"真（true）"的情况。TN代表真负例（True Negative），即我们预测为"否（no）"且实际值为"假（false）"的情况。FP代表假正例（False Positive），这是我们预测为"是（yes）"，实际值为"假（false）"的情况。FN代表假负例（False Negative），这是案例我们预测为"否（no）"，实际值是"真（true）"的情况。
我们从混淆矩阵中推断出什么？
混淆矩阵有助于我们确定模型预测是正确的，或者换句话说，模型的准确性。通过上面的表格，它给出：
(TP+TN )/Total = 100+50/165 =0.91
这意味着该模型的正确度为91％。混淆矩阵还用于测量错误率，该错误率由下式给出：
(FP+ FN)/Total=15/165 = 0.09
模型中有9％的错误。
在本文中，我们将在python中处理非常简单的步骤来模拟逻辑回归。
Python代码详细解释
我们将观察数据、分析数据，将其可视化，清理数据，构建逻辑回归模型，分成训练和测试数据，进行预测并最终评估。所有这些都将一步一步完成，我们将要处理的数据是kaggle.com提供的"泰坦尼克号数据集"。这是一个非常著名的数据集，通常是学生基于分类学习机器学习的第一步。我们正在尝试预测分类：生存或死亡
首先，我们将导入numpy和pandas库：
我们来进行可视化导入：
我们将继续将泰坦尼克号数据集导入pandas数据帧。之后，我们将检查数据框的头部，以便清楚地了解数据框中的所有列。
我们遇到的大多数数据都缺少数据。我们将检查缺失的数据，并将其可视化以获得更好的想法并将其删除。
在这里，我们找到布尔值。True表示该值为null，False表示负值，反之亦然。由于有大量数据，我们使用seaborn库来显示空值。在这种情况下，我们的任务变得更加容易。
年龄（Age）和船舱（Cabin）列具有空值。我在之前的博客中处理过处理NA值的问题。有兴趣可以查看。
使用数据并充分利用可视化库来获取数据是一种很好的做法。
这是一个计数图，显示幸存的人数，这是我们的目标变量。此外，我们可以根据性别（SEX）和乘客（train）类别绘制计数图。
在这里，我们看到一种趋势，即女性比男性幸存的更多。
从上图可以看出，属于3级的乘客死亡人数最多。
我们可以通过更多方式可视化数据。但是，我不是在这里讨论它们，因为我们需要进入模型构建的步骤。
数据清理
我们想要填写缺少的年龄（Age）数据，而不是仅删除缺少的年龄（Age）数据行。一种方法是填写所有乘客（train）的平均年龄（估算）。但是，我们可以更加明智地按乘客（train）级别检查平均年龄。例如：
我们可以看到较高级别中较富裕的乘客（train）往往年龄较大，这是有道理的。我们将根据年龄的Pclass使用这些平均年龄值来估算。
现在应用该功能！
现在让我们再次检查热图。
很好！让我们继续看船舱（Cabin）列。
转换分类功能
我们需要使用pandas库将分类特征转换为虚拟变量！否则，我们的机器学习算法将无法直接将这些特征作为输入。
在这里，我们正在筛选性别之后并列出专栏。在筛选之后，我们将丢弃其他不需要的列。
我们将连接新的性别并将列导入数据框。
现在，数据框看起来像这样：
测试训练划分
训练和预测
评估
我们可以使用分类报告来检查精确度、召回率、f1分数
感谢各位的阅读！关于“如何使用Python的简化方法”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！
