로지스틱 회귀 간단 실습

1. 라이브러리 임포트

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report, roc_auc_score

 

 

 

2. 독립변수, 종속변수 분리

df = pd.read_csv('LogisticRegressionData.csv')


X = df.iloc[:,:-1].values
y = df.iloc[:,-1].values

X = 시험 성적

y = 시험 성적에 따른 불합 여부

 

 

 

 

3. 훈련셋과 테스트셋 분리

X_train, X_test , y_train, y_test = train_test_split(X,y, test_size = 0.2, random_state = 42)

 

 

 

4. 수치 특성을 표준화하여 비슷한 규모로

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

 

 

 

5.  로지스틱 회귀 객체를 생성해 주고 학습

model = LogisticRegression(random_state=42)
model.fit(X_train_scaled, y_train)

 

 

 

6. 실제 값과 예측 값 출력

y_pred = model.predict(X_test_scaled)
print(y_test, y_pred)

 

7. 모델 평가

 

 

Precision(정밀도) :

모델이 1이라고 예측한 것 중에 실제로 1인 것

 

recall(재현율) :

실제로 1인 것 중에 모델이 1로 예측한 것

 

f1-score :

정밀도와 재현율의 조화평균

 

 

 

 

 

 

Confusion Matrix : 혼동 행렬

TP : 실제 값 = 합격 , 예측 값 = 합격 -> 올바른 예측

FP : 실제 값 = 불합격, 예측 값 = 합격 

FN : 실제 값 = 합격, 예측 값 = 불합격

TN : 실제 값 = 불합격, 예측 값 = 불합격 -> 올바른 예측