sklearn逻辑回归（Logistic Regression）多分类问题_多分类逻辑回归mnlogit.fit() 最大迭代次数怎么算-CSDN博客

本文链接：https://blog.csdn.net/Yvesx/article/details/110932595

文章目录

步骤
结果

步骤

建立模型

class sklearn.linear_model.LogisticRegression(penalty='l2', *, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='lbfgs', max_iter=100, multi_class='auto', verbose=0, warm_start=False, n_jobs=None, l1_ratio=None

参数详解
比较重要的参数
- multi-class：分类方法是一对多还是一对一，选项有{‘ovr’,‘multinomial’}，前者是一对多。一对一更准，计算量也大
- solver：优化器，选项有{‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}
- max_iter：最大迭代次数。设小了会导致不能收敛。

预处理

主要是看有没有缺失值、异常值；
逻辑回归还需要把分类变量转化为数值变量（分类变量不能是字符串）

import pandas as pd
# 数据
path = "../Data/classify.csv"
rawdata = pd.read_csv(path) 
X = rawdata.iloc[:,:13]
Y = rawdata.iloc[:,14]  # {”A":0,"B":1,"C":2}
Y = pd.Categorical(Y).codes  # ABC变成123

训练

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
# 训练集和测试集
x_train, x_test, y_train, y_test