最近在跟着Github上的一个开源项目学习机器学习，叫100 Days of ML Coding（英文版），100 Days of ML Coding(中文版)遗憾的是：项目里面的代码并没有细致的讲解，对于我这种编程能力上的小菜鸡来说有些吃力。本文只介绍跟实现代码相关的函数，记录下来也方便自己以后复习。如有不正确的地方还望大神能够多多指点。
这次讲解的是DAY4-6：Logistic Regression（逻辑回归）
首先：下载数据集
该数据集包含了社交网络中用户的信息。这些信息涉及用户ID,性别,年龄以及预估薪资。一家汽车公司刚刚推出了他们新型的豪华SUV，我们尝试预测哪些用户会购买这种全新SUV。并且在最后一列用来表示用户是否购买。
第一部分：常规模块代码（饭前小吃）。第二部分：可视化部分代码（主食）
第一部分（小吃部分）
一，导入模块和数据
#导入模块
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
#导入数据
dataset=pd.read_csv('/home/peng/learngit/100-Days-Of-ML-Code/datasets/Social_Network_Ads.csv')
X=dataset.iloc[:,2:4].values
Y=dataset.iloc[:,4].values
都是基于pandas库的函数和方法
一）read_csv方法：
dataset=pd.read_csv(‘xxx.csv’)
返回的是DataFrame数据类型，该数据类型是一种二维标记数据结构。标记为默认标记，行数从0开始，列数也从0开始自动的标记。即将表格中的数据生成DataFrame类型数据并返回给dataset变量。
二）pandas.DataFrame.iloc[]方法：
X=dataset.iloc[:,2:4].values
iloc()纯粹基于整数位置的索引，用于按位置选择,[:,2:4]
逗号前面表示行号索引，逗号后面表示列号索引。按照python切片的原理，行号为所有行数，列数为2,3列。（看上面图片表格），即为Age和Estimated Salary这一列，在索引后面添加上values，即为学习的两个特征。
同理：Y=dataset.iloc[:,4].values为Purchased这一列的所有值，即为逻辑回归最后生成的结果。
二，将数据集分成训练集和测试集
#将数据集分成训练集和测试集
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(X,Y,test_size=0.25,random_state=0)
一）train_test_split()
返回四个值
X_train,X_test, y_train, y_test =train_test_split(train_data,train_target,test_size=, random_state=)
参数train_data,train_target好理解，即为要训练的数据和生成结果。
参数test_size若是浮点数，则表示为测试集占整个样本的比例，若是整数，则是测试集的个数。
参数random_state为0或者不填都是表示每次划分训练集和测试集都不一样；若为1则表示每次划分结果都一样。
三，进行特征放缩
#进行特征放缩，当有多个特征向量的时候，由多特征梯度下降算法
#特征向量的参数可能变化范围会比较大
from sklearn.preprocessing import StandardScaler
sc=StandardScaler()
X_train=sc.fit_transform(X_train)
X_test=sc.transform(X_test)
一）StandardScaler()方法：
这边涉及到一个问题，fit_transform()函数和transform()
函数有什么区别。我参考了其他博客主的解答：必须计算特征数据的均值和方差，再进行归一化。在使用fit_transform()时候已经找到了那个均值和方差，即所谓的转化规则，所以在测试集上我们可以直接运用。详细可见
sklearn库中数据预处理函数fit_transform()和transform()的区别
四,对数据进行逻辑回归，并预测
#逻辑回归模型.fit()的时候已经生成了模型
from sklearn.linear_model import LogisticRegression
classifier=LogisticRegression()
classifier.fit(X_train,y_train)
#预测
y_pred=classifier.predict(X_test)
这个代码好理解，并不做过多说明。注：LogiticRegression().fit(X_train,y_train)在内部已经生成了相应的模型，所以接下来直接调用predict()函数即可。
五，生成混淆矩阵
from sklearn.metrics import confusion_matrix
cm=confusion_matrix(y_test,y_pred)
print(cm)
混淆矩阵的概念就不多说，这边可以添加一行print(cm)代码查看结果：
[[65 3]
[ 8 24]]
第二部分：可视化模块（这次博客的主食来了！）
项目中对于训练集和测试集均有可视化结果，两者完全一样，以下讲解对训练集的可视化。
#可视化
from matplotlib.colors import ListedColormap
#对于训练集的可视化
X_set,y_set=X_train,y_train
X1,X2=np.meshgrid(np.arange(start=X_set[:,0].min()-1,stop=X_set[:,0].max()+1,step=0.01),
np.arange(start=X_set[:,1].min()-1,stop=X_set[:,1].max()+1,step=0.01))
plt.contourf(X1,X2,classifier.predict(np.array([X1.ravel(),X2.ravel()]).T).reshape(X1.shape),
alpha=0.75,cmap=ListedColormap(('red','green')))
plt.xlim(X1.min(),X1.max())
plt.ylim(X2.min(),X2.max())
for i,j in enumerate(np.unique(y_set)):
plt.scatter(X_set[y_set==j,0],X_set[y_set==j,1],
c=ListedColormap(('red','green'))(i),label=j)
plt.title('LOGISTIC(Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend
plt.show()
一）numpy.arange()方法
numpt.arange([start],stop,[step],dtype=None)
在给定间隔范围内返回均匀间隔的值。
在[start,stop)半开半闭区间内，按照step的间隔，均匀产生ndarray。
与range()的区别在与arange产生的是ndarray,而不是一个list。并且arange()可以生成浮点数类型，而range()只能是整数类型。
补充说明：当范围小于0.02，人类视觉上来说是连续的一片区域
#对于第一个标准化后的特征Age，进行切分。这边切分成[616,]大小
np.arange(start=X_set[:,0].min()-1,stop=X_set[:,0].max()+1,step=0.01)
#同理，对第二个标准化后的特征Estimated Salary进行切分，这边为[592,]大小
np.arange(start=X_set[:,1].min()-1,stop=X_set[:,1].max()+1,step=0.01)
二）numpy.meshgrid()方法
numpy.meshgrid(x,y)
从两个坐标向量中返回两个坐标矩阵
参数x,y代表网格中的一维数组，返回二维数组（矩阵），其中行数为x的个数，列数为y的个数。即产生(len(x),len(y))形状的矩阵。其中矩阵的剩余部分，用重复的x，y来填补。返回的第一个矩阵，以x来填充成矩阵（生成很多相同行）；返回的第二个矩阵，以y来填充矩阵（生成很多相同列）。
#这边生成了[616,592]大小的矩阵X1，X2
X1,X2=np.meshgrid(np.arange(start=X_set[:,0].min()-1,stop=X_set[:,0].max()+1,step=0.01),
np.arange(start=X_set[:,1].min()-1,stop=X_set[:,1].max()+1,step=0.01))
三）matplotlib.pyplot.contourf()方法
1）matplotlib.pyplot.contourf([X,Y,],z,[levels],**kwargs)
描绘并且
参数X,Y,代表Z值中的坐标[x,y]，xy都必须同时跟z是相同形状的坐标，可以通过meshgrid()函数来生成。X为列坐标。Y为行坐标。alpha参数表示颜色的透明度。
2）numpy中的array()方法
numpy中的array()，存储单一数据类型的多维数组,整个array()算一个对象。而list本质上每个元素都是对象。一个list里面可以有不同的数据类型。
3）numpy.ndarray(a).ravel():将a展平为一维数组
4）numpy.ndarray(a).T跟numpy.transpose(a)是一样的，都是算出a的转置矩阵。
#alpha表示颜色透明度，cmap表示所要填充的颜色
plt.contourf(X1,X2,classifier.predict(np.array([X1.ravel(),X2.ravel()]).T).reshape(X1.shape),
alpha=0.75,cmap=ListedColormap(('red','green')))
‘’‘该代码表示将X1，X2变成[2,616*592]大小的array后进行转置
转置成[616*592,2]的矩阵后输入到回归模型中进行预测
输出的结果转成X1形状的矩阵’‘’
classifier.predict(np.array([X1.ravel(),X2.ravel()]).T).reshape(X1.shape)
四）plt.scatter()方法
1)plt.scatter()
scatter(x,y,s=None,c=None,marker=None,cmap=None, norm=None,vmin=None,vmax=None,alpha=None, linewidths=None,verts=None,edgecolors=None, *, data=None,**kwargs)
官方文档说明
y与x的散点图，具有不同的标记大小或颜色。
2）numpy.unique()
找到数组中没有重复的元素，并且按照从小到大的顺序排列后输出。
3)enumerate()函数
enumerate(sequence, [start=0])
用于将一个可遍历的数据对象（如列表，元祖或字符串）组合为一个索引序列，同时列出数据和数据下标，一般用于for循环。
索引一般从0开始，举例子
例子：
seasons = [‘Spring’, ‘Summer’, ‘Fall’, ‘Winter’]
list(enumerate(seasons))
[(0, ‘Spring’), (1, ‘Summer’), (2, ‘Fall’), (3, ‘Winter’)]
4）如何理解X_set[y_set=j,0]
y_set=j会生成[True,True,False,…,True],大小为shape(y)的布尔数组
[y_set==j,0]为行数仅为True，列数为0的数组输出
for i,j in enumerate(np.unique(y_set)):
plt.scatter(X_set[y_set==j,0],X_set[y_set==j,1],
c=ListedColormap(('red','green'))(i),label=j)
这个函数表面，标签值为0，即不购买的人数的坐标，用红色点来表示。标签值为1，购买的人数坐标用绿色的标签值来表示。
五）关于绘图
plt.xlim()
plt.ylim()
plt.title()
plt.xlabel()
plt.ylabel()
plt.legend
plt.show()
这个好理解，不再详细描述。
plt.xlim(X1.min(),X1.max())
plt.ylim(X2.min(),X2.max())
plt.title('LOGISTIC(Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend
plt.show()
最后生成的结果图
喜欢这篇总结的话不忘点个赞哦～