Python垃圾邮件的逻辑回归分类示例分析

这篇文章主要介绍"Python垃圾邮件的逻辑回归分类示例分析"，在日常操作中，相信很多人在Python垃圾邮件的逻辑回归分类示例分析问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答"Python垃圾邮件的逻辑回归分类示例分析"的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

按以下要求处理数据集

（1）分离出仅含特征列的部分作为 X 和仅含目标列的部分作为 Y。

（2）将数据集拆分成训练集和测试集（70%和 30%）。

建立逻辑回归模型

分别用 LogisticRegression 建模。

结果比对

（1）输出测试集前 5 个样本的预测结果。

（2）计算模型在测试集上的分类准确率（=正确分类样本数/测试集总样本数）

（3）从测试集中找出模型不能正确预测的样本。

（4）对参数 penalty 分别取'l1', 'l2', 'elasticnet', 'none'，对比它们在测试集上的预测性能（计算 score）。

拆分特征值和目标数据前面已经可知，预测和模型得分结果也是直接使用模型的方法，下面主要是要测试准确率和找出不能正确预测的样本，以及不同的惩罚下的模型得分，主要运用到Numpy模块和列表list的函数，代码如下：

y_train_pred = model.predict(x_train)# In[26]:train_accu = np.equal(y_train,y_train_pred)print(y_train.shape,y_train_pred.shape)# In[27]:#计算模型在测试集上的分类准确率（=正确分类样本数/测试集总样本数）accuracy = list(train_accu).count(True)/len(list(y_train))print("准确率为"+"%f"%float(accuracy*100)+"%")# In[28]:#从测试集中找出模型不能正确预测的样本。test_accu = list(np.equal(y_pred,y_test))i = 0len_test = len(test_accu)False_index = [][False_index.append(i) for i in range(0,len_test) if test_accu[i]==False]print(x_test[False_index])# In[29]:#对参数 penalty 分别取'l1', 'l2', 'elasticnet', 'none'，对比它们在测试集上的预测性能（计算 score）。model2 = LogisticRegression(multi_class='ovr',penalty='l1',max_iter=10000,solver='saga').fit(x_train, y_train)print("penalty='l1'"+'的得分：', model2.score(x_test, y_test))# In[33]:#对参数 penalty 分别取'l1', 'l2', 'elasticnet', 'none'，对比它们在测试集上的预测性能（计算 score）。model2 = LogisticRegression(multi_class='ovr',penalty='l2',max_iter=10000).fit(x_train, y_train)print("penalty='l2'"+'的得分：', model2.score(x_test, y_test))# In[31]:model4 = LogisticRegression(multi_class='ovr',penalty='elasticnet',max_iter=10000,solver='saga',l1_ratio=0).fit(x_train, y_train)#模型建立产生一些参数的问题一般都是sklearn的版本问题，要是忽略，就升级更新一下版本就好了solver指定penalty参数的范围print("penalty='elasticnet'"+'的得分：', model4.score(x_test, y_test))# In[32]:model5 = LogisticRegression(multi_class='ovr',penalty='none',max_iter=10000,solver='lbfgs').fit(x_train, y_train)print("penalty='none'"+'的得分：', model5.score(x_test, y_test))

到此，关于"Python垃圾邮件的逻辑回归分类示例分析"的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注网站，小编会继续努力为大家带来更多实用的文章！