逻辑回归 – 癌细胞精准识别
5星 · 超过95%的资源 50 浏览量
2020-12-21
12:21:21
上传
评论 2
收藏 96KB PDF 举报 
逻辑回归逻辑回归 – 癌细胞精准识别癌细胞精准识别
任务描述任务描述
使用逻辑回归算法建立一个模型，并通过梯度下降算法进行训练，得到一个能够准确对癌细胞进行识别的模型。
数据集介绍数据集介绍
乳腺癌数据集，其实例数量是 569 ，实例中包括诊断类和属性，帮助预测的属性一共 30 个，各属性包括为 radius 半径（从中心到边缘上点的距离的
平均值）， texture 纹理（灰度值的标准偏差）等等，类包括： WDBC-Malignant 恶性和 WDBC-Benign 良性。用数据集的 80% 作为训练集，数据集
的 20% 作为测试集，训练集和测试集中都包括特征和类别。其中特征和类别均为数值类型，类别中 0 代表良性， 1 代表恶性。
构建逻辑回归模型构建逻辑回归模型
由数据集可以知道，每一个样本有 30 个特征和 1 个标签，而我们要做的事就是通过这 30 个特征来分析细胞是良性还是恶性(其中标签 y=0 表示是良
性， y=1 表示是恶性)。逻辑回归算法正好是一个二分类模型，我们可以构建一个逻辑回归模型，来对癌细胞进行识别。模型如下：
训练逻辑回归模型训练逻辑回归模型
我们已经知道如何构建一个逻辑回归模型，但是如何得到一个能正确对癌细胞进行识别的模型呢？通常，我们先将数据输入到模型，从而得到一个预测
值，再将预测值与真实值结合，得到一个损失函数，最后用梯度下降的方法来优化损失函数，从而不断的更新模型的参数 θ ，最后得到一个能够正确
对良性细胞和癌细胞进行分类的模型。
编程要求编程要求
构建一个逻辑回归模型，并对其进行训练，最后将得到的逻辑回归模型对癌细胞进行识别。
通关代码：通关代码：
# -*- coding: utf-8 -*-
import numpy as np
import warnings
warnings.filterwarnings("ignore")
def sigmoid(x):
'''
sigmoid函数
:param x: 转换前的输入
:return: 转换后的概率
'''
return 1/(1+np.exp(-x))
def fit(x,y,eta=1e-3,n_iters=1e4):
资源评论
恽磊2023-07-27虽然这个文件没有过多夸大逻辑回归的作用，但对于想要了解这一领域的读者来说，它是一份非常有价值的资料。
阿玫小酱当当囧2023-07-27逻辑回归的优势在这个文件中得到了充分的展示，它对于癌细胞精准识别的准确性令人印象深刻。
MurcielagoS2023-07-27这个文件提供了一些实用的案例和数据，增加了对逻辑回归在癌细胞识别中应用的信心。
挽挽深铃2023-07-27这个文件详细解释了逻辑回归在癌细胞识别中的应用，有助于我们更好地理解这一技术。
又可乐2023-07-27作者用简洁明了的语言描绘了逻辑回归在癌细胞识别中的工作原理，使得非专业读者也能够理解。
