Python : Wie Multinomiale Logistische Regression mit SKlearn

Ich habe einen test-Datensatz und Zug dataset als unten. Ich habe ein Beispiel-Daten mit min Platten, aber meine Daten hat als 1000 Datensätze. Hier E ist mein Ziel-variable, die ich brauche, um vorherzusagen, mit Hilfe eines Algorithmus. Es hat nur vier Kategorien, wie 1,2,3,4. Es kann nur einer dieser Werte.

Trainings-Dataset:

A    B    C    D    E
1    20   30   1    1
2    22   12   33   2
3    45   65   77   3
12   43   55   65   4
11   25   30   1    1
22   23   19   31   2
31   41   11   70   3
1    48   23   60   4

Test-Datensatz:

A    B    C    D    E
11   21   12   11
1    2    3    4
5    6    7    8 
99   87   65   34 
11   21   24   12

Seit E hat nur 4 Kategorien, dachte ich an diese Voraussage mit Multinomiale Logistische Regression (1 vs Rest der Logik). Ich versuche es zu implementieren, mit python.

Ich weiß, die Logik, die wir brauchen, um diese Ziele in einer Variablen zu, und verwenden einen Algorithmus, um vorherzusagen, alle diese Werte:

output = [1,2,3,4]

Aber ich stecke an einem Punkt, wie es mit python (sklearn) Schleife über diese Werte und welchen Algorithmus soll ich verwenden, um vorherzusagen, die output-Werte? Jegliche Hilfe würde sehr geschätzt werden

dieses tutorial sollte ein guter Ort, um zu starten scikit-learn.org/stable/auto_examples/exercises/...
Es wurde auch gefragt, auf datascience datascience.stackexchange.com/questions/11334/...

InformationsquelleAutor Sriram Chandramouli | 2016-04-21

  1. 7

    LogisticRegression verarbeiten kann mehrere Klassen von out-of-the-box.

    X = df[['A', 'B', 'C', 'D']]
y = df['E']
lr = LogisticRegression()
lr.fit(X, y)
preds = lr.predict(X)  # will output array with integer values.

    InformationsquelleAutor dukebody

  2. 7

    Könnten Sie versuchen, 

    LogisticRegression(multi_class='multinomial',solver ='newton-cg').fit(X_train,y_train)
    Ist das nicht im wesentlichen die gleiche wie die vorhandene Antwort auf diese Frage?

    InformationsquelleAutor Daisy Qin

Schreibe einen Kommentar