機械学習のアルゴリズム実装（ロジスティク回帰）

以下のサイトを参考に、ロジスティクス回帰を実装してみる。

機械学習アルゴリズムの分類と実装まとめ - Qiita

やりたいこと

ロジスティクス回帰の実装

ロジスティクス回帰の目指すもの

ある事象が起こる確率を学習する手法。

実装

from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# データの読み込み
wine = load_wine()
X = wine['data']
y = wine['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

model = LogisticRegression()
model.fit(X_train, y_train)

score = model.score(X_test, y_test)

print('score is', score)

得られたアウトプット

score is 0.9444444444444444

まとめ

以前やった、単回帰分析に似ているなと思った。

単回帰分析と違うところ

score = model.score(X_test, y_test)

print('score is', score)

score（）メソッドを使うこと。

最終的にscoreを予測すること。

こんなことに使えそう。

・降水確率の予測

・株価の値上がり・値下がり予測