本博客仅用于个人学习，不用于传播教学，主要是记自己能够看得懂的笔记（

学习知识、资源和数据来自：机器学习算法基础-覃秉丰_哔哩哔哩_bilibili

用sklearn库就灰常简单啦~

可以自己用make_gaussian_quantiles生成数据。（就不用再把数据搞上来了）

代码：

from sklearn.preprocessing import PolynomialFeatures
from sklearn import preprocessing
from sklearn import linear_model
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_gaussian_quantiles

#生成正态分布的数据，可以设置数量和维度等
x_data,y_data=make_gaussian_quantiles(n_samples=500,n_features=2,n_classes=2)
plt.scatter(x_data[:,0],x_data[:,1],c=y_data)
plt.show()

#首先线性逻辑回归
model=linear_model.LogisticRegression()
model.fit(x_data,y_data)

w=model.coef_
b=model.intercept_
z=-(b+w[0,0]*x_data[:,0])/w[0,1]
plt.scatter(x_data[:,0],x_data[:,1],c=y_data)
plt.plot(x_data[:,0],z,'k')
plt.show()

#求出R^2值，相当于准确率
print(model.score(x_data,y_data))

poly=PolynomialFeatures(degree=3)
X_data=poly.fit_transform(x_data)
model=linear_model.LogisticRegression()
model.fit(X_data,y_data)

xmi=x_data[:,0].min()-1
xma=x_data[:,0].max()+1
ymi=x_data[:,1].min()-1
yma=x_data[:,1].max()+1
xx=np.arange(xmi,xma,0.02)
yy=np.arange(ymi,yma,0.02)
xx,yy=np.meshgrid(xx,yy)
z=model.predict(poly.fit_transform(np.c_[xx.ravel(),yy.ravel()])) #求出全图的预测值
z=z.reshape(xx.shape)

plt.contourf(xx,yy,z) #等高线图
plt.scatter(x_data[:,0],x_data[:,1],c=y_data)
plt.show()

print(model.score(X_data,y_data))

得到结果：

 

0.538

 

0.994

参考博客：

机器学习算法的随机数据生成 - 刘建平Pinard - 博客园 (cnblogs.com)

sklearn.datasets.make_gaussian_quantiles — scikit-learn 0.24.2 documentation

API解析------------在逻辑回归中predict()与score()的用法_data_curd的博客-CSDN博客