본문 바로가기
프로그래밍/Scikit-Learn

[Scikit-Learn] 9. 로지스틱회귀(Logistic Regression) 모형 학습하기(feat. LogisticRegression)

by 부자 꽁냥이 2022. 8. 1.

이번 포스팅에서는 Scikit-Learn(sklearn)을 이용하여 로지스틱 회귀 모형을 학습하고 결과를 확인하는 방법을 알아보려고 한다.

 

로지스틱 회귀에 대한 개념은 아래에 포스팅해두었으니 참고하자.

 

22. 로지스틱 회귀(Logistic Regression)에 대해서 알아보자.

 

22. 로지스틱 회귀(Logistic Regression)에 대해서 알아보자.

이번 포스팅에서는 로지스틱 회귀에 대한 개념과 적합 알고리즘에 대해서 소개한다. - 목차 - 1. 로지스틱 회귀(Logistic Regression)란 무엇인가? 2. 로지스틱 회귀 적합 알고리즘 3. 장단점 본 포스팅

zephyrus1111.tistory.com

 

 


   Scikit-Learn으로 학습하기

로지스틱 회귀는 Scikit-Learn에서 제공하는 LogisticRegression 클래스를 이용하여 학습할 수 있다.  LogisticRegression 클래스는 penalty 인자를 통해 최적화 방법을 선택할 수 있다. 이외에도 여러 가지 인자가 있는데 자세한 사항은 여기를 참고하기 바란다.

 

붓꽃 데이터를 이용하여 로지스틱 회귀 모형을 학습해 보자.

 

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X, y = load_iris(return_X_y=True)

## 모형 학습
clf = LogisticRegression(
                penalty='none', ## {‘l1’, ‘l2’, ‘elasticnet’, ‘none’}, default=’l2’
            ).fit(X, y)

 

학습이 되었으면 그 결과를 확인하고 예측도 해보자. 로지스틱 회귀 모형에서 최종적으로 추정된 추정치를 살펴보려면 coef_(회귀 계수), intercept_(절편항)을 보면 된다. 또한 predict와 score를 통해 예측과 성능을 평가할 수 있다.

 

## 회귀 계수와 절편 추정치
for i in range(len(np.unique(y))):
    print('절편 :',  clf.intercept_[i] ,'회귀 계수 :',  clf.coef_[i])

## 예측
print(clf.predict(X[:2]))

## 성능 평가
print(clf.score(X, y))

 


댓글


맨 위로