Logistic逻辑回归的另一种有用形式是多项式Lo​​gistic回归，其中目标或因变量可以具有3种或更多可能的unordered类型，即没有定量意义的类型。

用Python实现

现在，无涯教程将在Python中实现上述多项式逻辑回归的概念。为此，使用来自sklearn的名为 digit 的数据集。

首先，需要导入必要的库，如下所示:

Import sklearn
from sklearn import datasets
from sklearn import linear_model
from sklearn import metrics
from sklearn.model_selection import train_test_split

接下来，需要加载数字数据集-

digits=datasets.load_digits()

现在，如下定义特征矩阵(X)和响应向量(y)-

X=digits.data
y=digits.target

借助下一行代码，可以将X和y分为训练和测试集-

X_train, X_test, y_train, y_test=train_test_split(X, y, test_size=0.4, random_state=1)

现在创建一个逻辑回归的对象，如下所示:

digreg=linear_model.LogisticRegression()

现在，需要使用以下训练集来训练模型:

digreg.fit(X_train, y_train)

接下来，对测试集进行如下预测:

y_pred=digreg.predict(X_test)

接下来打印模型的精度如下-

print("Accuracy of Logistic Regression model is:",
metrics.accuracy_score(y_test, y_pred)*100)

Accuracy of Logistic Regression model is: 95.6884561891516

从上面的输出中，无涯教程可以看到模型的准确性约为96％。

分类算法 中的 多项式逻辑回归模型函数 - 无涯教程网无涯教程网提供Logistic逻辑回归的另一种有用形式是多项式Lo​​gistic回归，其中目标或因变量可以具有...https://www.learnfk.com/python-machine-learning/machine-learning-with-python-multinomial-logistic-regression-model.html