sklearnpython sklearn逻辑回归怎么导出概率值

sklearn数据预处理功能处理的数据格式是什么样的

有两种不同的方式： 使用sklearn.preprocessing.scale()函数，可以直接将给定数据进行标准化。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 >>> from sklearn import preprocessing >>> import numpy as np >>> X = np.array([[ 1., -1., 2.], ... [ 2., 0., 0.], ... [ 0., 1., -1.]]) >>> X_scaled = preprocessing.scale(X) >>> X_scaled array([[ 0. ..., -1.22..., 1.33...], [ 1.22..., 0. ..., -0.26...], [-1.22..., 1.22..., -1.06...]]) >>>#处理后数据的均值和方差 >>> X_scaled.mean(axis=0) array([ 0., 0., 0.]) >>> X_scaled.std(axis=0) array([ 1., 1., 1.]) 使用sklearn.preprocessing.StandardScaler类，使用该类的好处在于可以保存训练集中的参数（均值、方差）直接使用其对象转换测试集数据。

sklearn logisticregression模型怎么返回预测的概率

Logistic回归的主要用途： 寻找危险因素：寻找某一疾病的危险因素等； 预测：根据模型，预测在不同的自变量情况下，发生某病或某种情况的概率有多大； 判别：实际上跟预测有些类似，也是根据模型，判断某人属于某病或属于某种情况的概率有多大，也就是看一下这个人有多大的可能性是属于某病。

Logistic回归主要在流行病学中应用较多，比较常用的情形是探索某疾病的危险因素，根据危险因素预测某疾病发生的概率，等等。

例如，想探讨胃癌发生的危险因素，可以选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群肯定有不同的体征和生活方式等。

这里的因变量就是是否胃癌，即“是”或“否”，自变量就可以包括很多了，例如年龄、性别、饮食习惯、幽门螺杆菌感染等。

自变量既可以是连续的，也可以是分类的。

如何调用sklearn模块做交叉验证

一般在建立完模型之后，要预测模型的好坏，为了试验的可靠性（排除一次测试的偶然性）要进行多次测试验证，这时就要用交叉验证。

sklearn中的sklearn.cross_validation.cross_val_score函数已经做好了。

直接调用就可以了。

无论是做回归还是做分类，都可以用这个函数。

具体用法： from sklearn.cross_validation import cross_val_score metric = cross_val_score(clf,X,y,cv=5,scoring=‘ ‘).mean() clf是分类器 其中scoring可以是： [‘uracy‘, ‘adjusted_rand_score‘, ‘average_precision‘, ‘f1‘, ‘f1_macro‘, ‘f1_micro‘, ‘f1_samples‘, ‘f1_weighted‘, ‘log_loss‘, ‘mean_absolute_error‘, ‘mean_squared_error‘, ‘median_absolute_error‘, ‘precision‘, ‘precision_macro‘, ‘precision_micro‘, ‘precision_samples‘, ‘precision_weighted‘, ‘r2‘, ‘recall‘, ‘recall_macro‘, ‘recall_micro‘, ‘recall_samples‘, ‘recall_weighted‘, ‘roc_auc‘]

selectkbest选的哪几个属性

class sklearn.feature_selection.SelectKBest(score_func=<function f_classif>, k=10) 参考官方文档：/stable/modules/generated/sklearn.feature_selection.SelectKBest.html

python sklearn逻辑回归怎么导出概率值

可以使用机器学习，使用很方便（相当于别人早已经把具体过程做好了，像公式、模板一样自己代入数据就可以得到结果） from sklearn.linear_model import LogisticRegression