031_【分類】ロジスティック回帰のモデルの確認

#1　訓練データ、テストデータに分ける
#2　訓練データを使ってロジスティック回帰の学習モデルを作成
#3　テストデータを使って正解率を調べる
#4　テストデータを使ってこの学習モデルの分類の様子を表示する


from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

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

model = LogisticRegression()
model.fit(X_train, y_train)

pred = model.predict(X_test)
score = accuracy_score(y_test, pred)
print("正解率:", score*100, "%")

df = pd.DataFrame(X_test)
plot_boundary(model, df[0], df[1], y_test, "df [0]", "df [1]")

#1　ランダムの種：3、特徴量：2、塊数：3、ばらつき：1、点の数：300個のデータセットを作成
#2　訓練データ、テストデータに分ける
#3　訓練データを使ってロジスティック回帰の学習モデルを作成
#4　テストデータを使って正解率を調べる
#5　テストデータを使ってこの学習モデルの分類の様子を表示する


X, y = make_blobs(    #1
    random_state=3,
    n_features=2,    
    centers=3,
    cluster_std=1,
    n_samples=300) 

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)     #2

model = LogisticRegression()    #3
model.fit(X_train, y_train)

pred = model.predict(X_test)    #4
score = accuracy_score(y_test, pred)
print("正解率:", score*100, "%")

df = pd.DataFrame(X_test)   #5
plot_boundary(model, df[0], df[1], y_test, "df [0]", "df [1]")

#1　xの値（-10〜10を200個に分割）
#2　シグモイド関数


xx = np.linspace(-10, 10, 200)    #1

yy = 1 / (1 + np.exp(-xx))    #2

plt.scatter(xx, yy, color="r")
plt.grid()
plt.show()