没有合适的资源?快使用搜索试试~ 我知道了~
逻辑回归 – 癌细胞精准识别
5星 · 超过95%的资源 20 下载量 50 浏览量
2020-12-21
12:21:21
上传
评论 2
收藏 96KB PDF 举报
温馨提示
试读
2页
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 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
资源推荐
资源详情
资源评论
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。
weixin_38600341
- 粉丝: 6
- 资源: 959
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功