機械学習 ロジスティック回帰

○この記事の要点
ロジスティック回帰を学習したのでメモ

ロジスティック回帰：
・分類問題の予測を行うアルゴリズム
（回帰という名前だが、分類で利用される）
・データが各クラスに所属する確率を計算することで分類を行う
（クラス１：0.3,クラス２：0.5,クラス３：0.2のようなアウトプットを出力する）
・教師あり学習

#○ソースコード(Python)

ロジスティック回帰モデル

# ロジスティック回帰
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import mean_squared_error
from sklearn.metrics import r2_score

# アヤメのデータをロード
data = load_iris()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = pd.DataFrame(data.target, columns=["Species"])
df # アヤメのデータを表示

・・・・・・・・・・

Sepal.Length（がく片の長さ），Sepal.Width（がく片の幅）， Petal.Length（花弁の長さ），Petal.Width（花弁の幅）の4つの量的変数
Species（種，setosa，versicolor，virginica の3種類）

#○ソースコード(Python)

ロジスティック回帰モデル（続き）

# ロジスティック回帰モデルの作成と学習、予測
model = LogisticRegression()
model.fit(X, y)
y_pred = model.predict(X)
print(y_pred) # 150件のアヤメのデータに対し、予測した結果

# モデルの評価
print(mean_squared_error(y, y_pred)) # 平均二乗誤差。小さいほど良い
print(r2_score(y, y_pred)) # 決定係数。0～1の間で大きいほど良い

実行結果
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1
1 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 1 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2]
0.02666666666666667
0.96

・分類問題で一番簡単に理解できるモデルかと思う
・結果について1が並んでいるところにたまに表れている1と2が並んでいるところにたまに表れている1が正解と予測が合っていないところ。