基于逻辑回归实现乳腺癌预测（机械学习与大数据）
发布时间
阅读量：
阅读量
基于逻辑回归实现乳腺癌预测
将乳腺癌相关数据划分为训练集合与验证集合，并构建一个基于逻辑回归的分类模型。随后对这两部分数据分别进行特征提取与学习过程。接着通过交叉验证法分别对这两部分数据进行预测任务。具体来说：
- 训练集合上的准确率为X%。
- 测试集合上的各项指标包括准确率、召回率及精确率。
- 各指标的具体数值需通过交叉验证法计算得出。
- 可视化图表可辅助分析不同评估指标的表现情况。
- 最终报告应包含上述所有计算结果及其对应的分析讨论。
源码
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import recall_score,precision_score,classification_report,accuracy_score
cancer = load_breast_cancer()
x_train,x_test,y_train,y_test = train_test_split(cancer.data,cancer.target,test_size=0.2)
model = LogisticRegression(max_iter=10000)
model.fit(x_train,y_train)
train_score = model.score(x_train,y_train)
test_score = model.score(x_test,y_test)
print("1 基于逻辑回归实现乳腺癌预测")
print("李思强 20201107148")
print("训练集")
print("准确率：",train_score)
y_pred = model.predict(x_test)
accuracy_score_value = accuracy_score(y_test,y_pred)
recall_score_value = recall_score(y_test,y_pred)
precision_score_value = precision_score(y_test,y_pred)
print("测试集")
print("准确率:",accuracy_score_value)
print("召回率:",recall_score_value)
print("精确率:",precision_score_value)
python
结果
全部评论 (0)
还没有任何评论哟~