结论部分记在这里

逻辑回归，不需要指定 函数（线性、几次方、指数等）

code: https://github.com/hanbingjiao/ML-Python3-LogisticRegression-Demo/

CSV 下载地址：https://github.com/weiwanling/TensorFlow_Experiment/tree/1241a064d780cdcf278e4f8edec0f7bbd9bc0aea

通过多个角度看模型评估的好坏

绘制图表，进行数据可视化

pandas：基础数据分析套件

scikit-learn：强大的数据分析建模库

keras：人工神经网络

下载数据集遇到的问题：Kaggle网站注册用户刷不出验证界面。这里需要安装谷歌访问助手，百度一下有很多解答。

import pandas as pd

path = 'data/pima-indians-diabetes.csv'

pima=pd.read_csv(path)

pima.head()

#X,y赋值

feature_name=['pregnant','insulin','bmi';age']

X = pima[feature_names]

y =pima.label

#确认维度

print(X.shape)

print(y.shape)

#数据分离

from sklearn.model_selection  import train_test_split

X_trian,X_test,y_train,y_test = train_test_split(X，y,random_state=0)

#模型训练

from sklearn.linear_model import logisticregression

logReg = logisticRegression()

logReg.fit(X_train,y_train)

y_pred = logReg.predict(X_test)

from sklearn import metric

print("metrics.accuracy_score(y_test,y_pred)

##确认正负样本的数据量以及空准确率

y_test.value_counts()

y_test.mean()

1-y_test.mean()

max(y_test.mean(),1-y_test.mean())

#展示部分书记结果与预测结果

print(y_test.value[0:25]

pritn(y_pred[0:25]

#计算并展示混淆矩阵

confusion = metrics.confusion_metrix(y_test,y_pred)

#四个因子赋值

TN = confusion[0][0]

FP = confusion[0][1]

FN = confusion[1][0]

TP = confusion[1][1]

#指标计算

accuracy = (TP+TN)/(TP+TN+FP+FN)

mis_rate  =(FP+FN)/（TP+TN+FP+FN)

recall =TP/(TP+FN)

specificity  =TN(TN+FP)

precision = TP/(TP+FP)

f1_score = 2*precison*recall/(precision+recall)

• 皮马印第安人糖尿病数据：https://www.kaggle.com/uciml/pima-indians-diabetes-database

• 本地下载：https://nico.cc/softs/pima-indians-diabetes-database.zip