簡単に学ぶPythonのLogisticRegression！初心者でもわかる使い方とは？

linear_model.LogisticRegressionは、ロジスティック回帰モデルを構築するためのクラスです。ロジスティック回帰モデルは、2値分類問題を解くために用いられる機械学習アルゴリズムの一つです。

以下は、linear_model.LogisticRegressionを使ったロジスティック回帰モデルの構築と予測の手順です。

まず、必要なライブラリをインポートします。

from sklearn.linear_model import LogisticRegression

次に、訓練データとテストデータを用意します。訓練データは、ロジスティック回帰モデルを構築するために用いられます。テストデータは、構築したモデルの予測精度を評価するために用いられます。以下は、全体の流れです。

# 訓練データとテストデータ
x = np.arange(0, 5, 0.5)
y = np.array([0, 0, 0, 1, 0, 1, 0, 1, 1, 1,])

# モデル
lm = linear_model.LogisticRegression()

# モデル訓練
t = x.reshape(1,-1).T
lm.fit(t, y)

# 予測
prediction = lm.predict(t)

個々にみていきます。

データを準備したら、次に、LogisticRegressionクラスをインスタンス化します。LogisticRegressionクラスには、いくつかのハイパーパラメータがありますが、デフォルト値で問題ない場合は、何も指定する必要はありません。

lm = LogisticRegression()

次に、fitメソッドを用いてモデルを訓練します。fitメソッドには、訓練データの特徴量とターゲット変数を与えます。

t = x.reshape(1,-1).T
lm.fit(t, y)

最後に、predictメソッドを用いてテストデータの予測を行います。

prediction = lm.predict(t)

# 予測結果
array([0, 0, 0, 0, 0, 1, 1, 1, 1, 1])

とても簡単な例でしたが、以上で、linear_model.LogisticRegressionを使ったロジスティック回帰モデルの構築と予測の手順が完了しました。