首页 文章

在scikit学习中训练具有不同特征维度的逻辑回归模型

提问于
浏览 次
0

在Windows上使用Python 2.7 . 想要使用特征 T1 和 T2 来拟合逻辑回归模型以获得分类问题，并且目标是 T3 .

我显示 T1 和 T2 的值，以及我的代码 . 问题是，由于 T1 的维度为5， T2 的维度为1，我们应该如何对它们进行预处理，以便scikit-learn逻辑回归训练可以正确利用它？

BTW，我的意思是训练样本1， T1 的特征是 [ 0 -1 -2 -3] ， T2 的特征是 [0] ，训练样本2，T1的特征是 [ 1 0 -1 -2] ， T2 的特征是 [1] ，...

import numpy as np
from sklearn import linear_model, datasets

arc = lambda r,c: r-c
T1 = np.array([[arc(r,c) for c in xrange(4)] for r in xrange(5)])
print T1
print type(T1)
T2 = np.array([[arc(r,c) for c in xrange(1)] for r in xrange(5)])
print T2
print type(T2)
T3 = np.array([0,0,1,1,1])

logreg = linear_model.LogisticRegression(C=1e5)

# we create an instance of Neighbours Classifier and fit the data.
# using T1 and T2 as features, and T3 as target
logreg.fit(T1+T2, T3)

T1，

[[ 0 -1 -2 -3]
 [ 1  0 -1 -2]
 [ 2  1  0 -1]
 [ 3  2  1  0]
 [ 4  3  2  1]]

T2，

[[0]
 [1]
 [2]
 [3]
 [4]]
python python-2.7 machine-learning scikit-learn logistic-regression

1 回答

  • 1

    它需要使用numpy.concatenate连接特征数据矩阵 .

    import numpy as np
from sklearn import linear_model, datasets

arc = lambda r,c: r-c
T1 = np.array([[arc(r,c) for c in xrange(4)] for r in xrange(5)])
T2 = np.array([[arc(r,c) for c in xrange(1)] for r in xrange(5)])
T3 = np.array([0,0,1,1,1])

X = np.concatenate((T1,T2), axis=1)
Y = T3
logreg = linear_model.LogisticRegression(C=1e5)

# we create an instance of Neighbours Classifier and fit the data.
# using T1 and T2 as features, and T3 as target
logreg.fit(X, Y)

X_test = np.array([[1, 0, -1, -1, 1],
                   [0, 1, 2, 3, 4,]])

print logreg.predict(X_test)
    回复于

相关问题