如何在 scikit-learn 中实现多项式逻辑回归？

Posted 2023-03-12

【中文标题】如何在 scikit-learn 中实现多项式逻辑回归？

【英文标题】：How to implement polynomial logistic regression in scikit-learn?

【发布时间】：2019-09-20 01:52:32

【问题描述】：

我正在尝试创建一个非线性逻辑回归，即使用 scikit-learn 的多项式逻辑回归。但我找不到如何定义多项式的次数。有人试过吗？ 非常感谢！

【参考方案1】：

为此，您需要分两步进行。让我们假设您正在使用 iris 数据集（因此您有一个可重现的示例）：

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline

data = load_iris()
X = data.data
y = data.target
X_train, X_test, y_train, y_test = train_test_split(X, y)

第一步

首先，您需要将数据转换为多项式特征。最初，我们的数据有 4 列：

X_train.shape
>>> (112,4)

您可以使用 scikit learn 创建多项式特征（这里是 2 级）：

poly = PolynomialFeatures(degree = 2, interaction_only=False, include_bias=False)
X_poly = poly.fit_transform(X_train)
X_poly.shape
>>> (112,14)

我们知道有 14 个特征（原来的 4 个、它们的正方形和 6 个交叉组合）

第 2 步

在此您现在可以调用X_poly 构建逻辑回归

lr = LogisticRegression()
lr.fit(X_poly,y_train)

注意：如果您想在测试数据上评估您的模型，您还需要按照以下两个步骤进行操作：

lr.score(poly.transform(X_test), y_test)

将所有内容放在管道中（可选）

您可能希望使用 Pipeline 代替在一个对象中处理这两个步骤以避免构建中间对象：

pipe = Pipeline([('polynomial_features',poly), ('logistic_regression',lr)])
pipe.fit(X_train, y_train)
pipe.score(X_test, y_test)

【讨论】：

非常感谢您的详细解释！