目录

介绍 

数据： 

建模： 

模型：

介绍 

在深度学习中，神经元通常指的是人工神经元（或感知器），它是深度神经网络中的基本单元。深度学习的神经元模拟了生物神经元的工作原理，但在实现上更加简化和抽象。

在深度学习神经元中，每个神经元接收一组输入信号，通过加权求和和激活函数来生成输出信号。每个输入信号都有一个对应的权重，用于控制其对输出信号的影响程度。加权求和之后，通过激活函数进行非线性变换，以生成最终的输出信号。

 

数据： 

df = pd.read_csv("Insurance.csv")
df

plt.scatter(df.age,df.bought_insurance,marker='o',color='red')

 

建模： 

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(df[['age']],df.bought_insurance,train_size=0.8)

from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)

y_predicted = model.predict(X_test)
model.predict_proba(X_test)# predict_proba 是一种用于分类问题的机器学习方法中的函数或方法名。它 
                           ##用于预测一个样本属于每个可能类别的概率。
'''结果：
array([[0.33313793, 0.66686207],
       [0.94126985, 0.05873015],
       [0.9797239 , 0.0202761 ],
       [0.26711159, 0.73288841],
       [0.04483997, 0.95516003],
       [0.931924  , 0.068076  ]])
'''

model.score(X_test,y_test)
#结果：0.8333333333333334

model.coef_#权重
#结果：array([[0.15765015]])

model.intercept_#截距
#结果：array([-6.71553043])

模型：

import math
def sigmoid(x):
 return 1 / (1 + math.exp(-x))

def prediction_function(age):
    z = model.coef_[0][0] * age + model.intercept_[0]
    y = sigmoid(z)
    return y

age = 26
prediction_function(age)
#结果：0.0680760008339491

age = 47
prediction_function(age)
#结果：0.6668620716867231

plt.scatter(df.age,df.bought_insurance,marker='o',color='red')