需要源码请点赞关注收藏后评论区留言并且私信~~~

在本案例中，利用逻辑回归分类器对乳腺肿瘤进行良性/恶行预测，并对预测模型进行指标测算与评价。

一、数据集准备与处理

本案例数据集采用乳腺癌数据集，原始数据集的下载地址为数据集下载地址

数据特征包括细胞厚度、细胞大小、形状等九个属性，将每个属性的特征量化为1-10的数值进行表示，首先导入数据 并显示前五条数据

可以浏览数据的基本信息如下

调用describe函数查看数据的基本的统计信息如下

统计数据属性中的空缺值

如果数据中存在空缺数据需要丢弃或填充。该数据集中包含了16个缺失值用“？”标出。因此要删除有缺失值的数据

.将数据划分为训练集和测试集

标准化数据，每个维度的特征数据方差为1，均值为0，使得预测结果不会被某些维度过大的特征值主导

二、模型训练与性能评估

分别用LogisticRegression与SGDClassifier构建分类器

LR分类器性能分析 如下图所示 精度可以达到百分之九十八点八左右

SGD分类器性能分析 如下图所示 精度可以达到百分之九十六左右

LogisticRegression较SGDClassifier在测试集上有更高的准确率，这时因为scikit-learn中采用解析的方法精确计算LogisticRegression的参数，而使用梯度法估计SGDClassifier中的参数

三、代码

部分代码如下 需要全部代码请点赞关注收藏后评论区留言并且私信

import pandas as pdimport numpy as npcolumn_names=['number','Cl_Thickness','Unif_cell_size','Unif_cell_shape','Marg_Adhesion','Sing_epith_cell_size','Bare_nuclei','Bland_chromation','Norm_nuclei','Mitoses','Class']data=pd.read_csv('breast-cancer-wisconsin.data',names=column_names)display(data.head())data=data.replachow='any')print(data.shape)from sklearn.model_selection import train_test_split# 划分训练集与测试集X_train,X_test,y_train,y_test=train_test_split(data[column_names[1:10]],data[column_names[10]],test_size=0.25,random_state=33)printlearn.preprocessing import StandardScalerss=StandardScaler()X_train=ss.fit_transform(X_train)X_test=ss.transform(X_test)print(X_train.mean())from sklearn.linear_model import LogisticRegressionfrom sklearn.linear_model import SGDClassifierlr=Logitrain,y_train)lr_y_predict=lr.predict(X_test)sgdc.fit(X_train,y_train)sgdc_y_predict=sgdc.predict(X_test)from sklearn.metrics import classification_reportprint('Accuracy of LR Classifier:',lr.score(X_test,y_test))print(classification_report(y_test,lr_y_predict,target_names=['Benign','Malignant']))print('Accuracy of SGD Classifier:',sgdc.score(X_test,y_test))print(classification_report(y_test,sgdc_y_predict,target_names=['Benign','Malignant']))

创作不易 觉得有帮助请点赞关注收藏~~~

如果觉得《Python利用逻辑回归分类器对乳腺肿瘤进行良性/恶性预测实战（超详细 附源码）》对你有帮助，请点赞、收藏，并留下你的观点哦！