AI开辟：逻辑回归 - 实战演练- 垃圾邮件的辨认（一）

逻辑回归的概念和演示

逻辑回归（Logistic Regression）最常用于二分类标题，即目的变量（标签）只有两个种别的场景。它通过拟合一个S形的Sigmoid函数来猜测一个变乱发生的概率，输出值在0到1之间，可以将其分别为两个种别。
常见场景

  

• 垃圾邮件分类：根据邮件内容猜测邮件是否是垃圾邮件。  
  
• 疾病猜测：根据某些特性（如年事、血压等）猜测或人是否患有某种疾病。  
  
• 客户流失猜测：根据用户的举动数据，猜测用户是否会流失。
  

示例：垃圾邮件分类

假设我们有一个简朴的数据集，包罗邮件的一些特性（比方：单词频率），而且我们想要猜测邮件是否是垃圾邮件（1为垃圾邮件，0为正常邮件）。下面是一个简朴的Python代码示例，使用逻辑回归来办理这个标题。

1. import numpy as np
2. import pandas as pd
3. from sklearn.model_selection import train_test_split
4. from sklearn.preprocessing import StandardScaler
5. from sklearn.linear_model import LogisticRegression
6. from sklearn.metrics import accuracy_score, confusion_matrix
8. # 假设这是我们的数据集，包含两个特征和一个标签
9. data = {
10.     'word_freq_discount': [0.1, 0.4, 0.2, 0.7, 0.3],
11.     'word_freq_free': [0.3, 0.1, 0.6, 0.8, 0.5],
12.     'label': [0, 1, 0, 1, 0]  # 0 - 正常邮件, 1 - 垃圾邮件
13. }
15. # 创建DataFrame
16. df = pd.DataFrame(data)
18. # 特征和标签
19. X = df[['word_freq_discount', 'word_freq_free']]  # 特征
20. y = df['label']  # 标签
22. # 将数据拆分为训练集和测试集
23. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
25. # 特征标准化
26. scaler = StandardScaler()
27. X_train_scaled = scaler.fit_transform(X_train)
28. X_test_scaled = scaler.transform(X_test)
30. # 创建并训练逻辑回归模型
31. model = LogisticRegression()
32. model.fit(X_train_scaled, y_train)
34. # 预测
35. y_pred = model.predict(X_test_scaled)
37. # 评估模型
38. accuracy = accuracy_score(y_test, y_pred)
39. conf_matrix = confusion_matrix(y_test, y_pred)
41. print("准确率:", accuracy)
42. print("混淆矩阵:\n", conf_matrix)

复制代码

代码表明：

  

• 数据集准备：创建一个简朴的数据集，此中包罗两个特性（word_freq_discount, word_freq_free）和标签（label），label为0或1，表现邮件是否为垃圾邮件。  
  
• 数据分割：使用train_test_split将数据集分割为练习集和测试集。  
  
• 特性标准化：使用StandardScaler对特性举行标准化，包管数据在类似的标准下。  
  
• 模子练习：使用LogisticRegression练习逻辑回归模子。  
  
• 猜测和评估：通过猜测并盘算正确率以及肴杂矩阵评估模子的性能。
  

输出：

1. 准确率: 1.0
2. 混淆矩阵:
3. [[1 0]
4. [0 1]]

复制代码

在这个简朴的例子中，逻辑回归模子乐成地对邮件举行分类，将垃圾邮件（1）和正常邮件（0）正确地分开了。
关于数据集的表明：

这个特性数据集 data 是一个简朴的表格，表现了邮件中某些关键词出现的频率以及相应的标签（垃圾邮件或正常邮件）。具体来说，数据集包罗以下内容：
1. 'word_freq_discount'

这是一个特性，表现邮件中包罗“discount”一词的频率。值越高，表现邮件中提到“discount”这个词的频率越高。这个特性大概用于判定邮件是否涉及促销、优惠等内容，通常这些词汇在垃圾邮件中出现的频率较高。

  

• 比方，0.1 表现该邮件中“discount”一词出现的频率是 10%，0.7 表现频率是 70%。
  

2. 'word_freq_free'

这是另一个特性，表现邮件中包罗“free”一词的频率。与“discount”类似，这个特性反映了邮件中“free”一词的