根据成绩用Logistic Regression预测学生是否被高校录取--Python版
Dataset 说明
每年高中生和大学生都会申请进入到各种各样的高校中去。每个学生都有一组唯一的考试分数，成绩和背景数据。录取委员会根据这个数据决定是否接受这些申请者。在这种情况下一个二元分类算法可用于接受或拒绝申请，本文简单说明逻辑回归的使用。
本数据集admissions.csv包含了400个申请者的信息，特征如下：
- gre -（入学考试成绩）
- gpa - （累积平均绩点）
- admit - 适合被录取 0或1
- rank-本科学校等级（1-4，其中4代表最差，1代表最好）
1.Use Linear Regression To Predict Admission
这是原本的数据，admit的值是0或者1。可以发现”gpa”和”admit”并没有线性关系，因为”admit”只取两个值
import pandas
import matplotlib.pyplot as plt
admissions = pandas.read_csv("admissions.csv")
plt.scatter(admissions["gpa"], admissions["admit"])
plt.show()这是通过线性回归模型预测的admit的值，发现admit_prediction 取值范围较大，有负值，不是我们想要的。
# The admissions DataFrame is in memory
# Import linear regression class
from sklearn.linear_model import LinearRegression
# Initialize a linear regression model
model = LinearRegression()
# Fit model
model.fit(admissions[['gre', 'gpa']], admissions["admit"])
# Prediction of admission
admit_prediction = model.predict(admissions[['gre', 'gpa']])
# Plot Estimated Function
plt.scatter(admissions["gpa"], admit_prediction)
因此我们期望构造一个模型，能够给我们一个接受（admission）的概率，并且这个概率取值在[0~1]，然后选择合适的阈值进行分类。
2.The Logistic Regression
在用The Logistic Regression之前，我们首先看看The Logit Function.
The Logit Function
逻辑回归是一个流行的分类方法,它将输出限制在0和1之间。这个输出可以被视为一个给定一组输入某个事件的概率,就像任何其他分类方法。
logit function是逻辑回归的基础，这个函数的形式如下：
观察一下logit function的样子：
# Logistic Function
def logit(x):
# np.exp(x) raises x to the exponential power, ie e^x. e ~= 2.71828
return np.exp(x) / (1 + np.exp(x))
# Linspace is as numpy function to produced evenly spaced numbers over a specified interval.
# Create an array with 50 values between -6 and 6 as t
t = np.linspace(-6,6,50, dtype=float)
# Get logistic fits
ylogit = logit(t)
# plot the logistic function
plt.plot(t, ylogit, label="logistic")
plt.ylabel("Probability")
plt.xlabel("t")
plt.title("Logistic Function")
plt.show()
a = logit(-10)
b = logit(10)
'''
a:4.5397868702434395e-05
b:0.99995460213129761
'''The Logistic Regression
逻辑回归就是将线性回归的输出当做Logit Function的输入然后产生一个输出当做最终的概率。其中β0是截距，其他的βi是斜率，也是特征的系数。
与线性模型一样，我们想要找到最优的βi的值使得预测值与真实值之间的误差最小。通常用来最小化误差的方法是最大似然法和梯度下降法。
Model Data
下面进行逻辑回归实验，每次进行训练测试集划分之前，需要将样本数据进行洗牌，这样抽样具有随机性。看到最后的gre和预测值的关系发现，当gre越大时，被接受的概率越大，这是符合实际情况的。
from sklearn.linear_model import LogisticRegression
# Randomly shuffle our data for the training and test set
admissions = admissions.loc[np.random.permutation(admissions.index)]
# train with 400*0.7 and test with the following 400*0.3, split dataset （可以使用CV选择合适的分割，此处粗暴的使用7:3）
num_train = 280
data_train = admissions[:num_train]
data_test = admissions[num_train:]
# Fit Logistic regression to admit with gpa and gre as features using the training set
logistic_model = LogisticRegression()
logistic_model.fit(data_train[['gpa', 'gre']], data_train['admit'])
# Print the Models Coefficients
print(logistic_model.coef_)
'''
[[ 0.38004023 0.00791207]]
'''
# Predict the chance of admission from those in the training set
fitted_vals = logistic_model.predict_proba(data_train[['gpa', 'gre']])[:,1]
fitted_test = logistic_model.predict_proba(data_test[['gpa', 'gre']])[:,1]
plt.scatter(data_test["gre"], fitted_test)
plt.show()
Predictive Power
这里有个用法需要提一下，accuracy_train = (predicted == data_train[‘admit’]).mean()中predicted == data_train[‘admit’]得到是一个布尔型array,在计算mean()时，会将True记作1，False记作0，然后求均值。但是在list中是不行的，list对象的布尔型数据没有mean()这个函数。
# .predict() using a threshold of 0.50 by default
predicted = logistic_model.predict(data_train[['gpa','gre']])
# The average of the binary array will give us the accuracy
accuracy_train = (predicted == data_train['admit']).mean()
# Print the accuracy
print("Accuracy in Training Set = {s}".format(s=accuracy_train))
'''
# 这种输出方式也很好
Accuracy in Training Set = 0.7785714285714286
'''
# Percentage of those admitted
percent_admitted = data_test["admit"].mean() * 100
# Predicted to be admitted
predicted = logistic_model.predict(data_test[['gpa','gre']])
# What proportion of our predictions were true
accuracy_test = (predicted == data_test['admit']).mean()
Accuracy in Training Set = 0.6678571428571428
sklearn中的逻辑回归的阈值默认设置为0.5
Admissions ROC Curve
逻辑回归中的predict_proba这个函数返回的不是类标签，而是接受的概率，这可以允许我们自己修改阈值。首先我们需要作出它的ROC曲线来观察合适阈值：
from sklearn.metrics import roc_curve, roc_auc_score
# Compute the probabilities predicted by the training and test set
# predict_proba returns probabilies for each class. We want the second column
train_probs = logistic_model.predict_proba(data_train[['gpa', 'gre']])[:,1]
test_probs = logistic_model.predict_proba(data_test[['gpa', 'gre']])[:,1]
# Compute auc for training set
auc_train = roc_auc_score(data_train["admit"], train_probs)
# Compute auc for test set
auc_test = roc_auc_score(data_test["admit"], test_probs)
# Difference in auc values
auc_diff = auc_train - auc_test
# Compute ROC Curves
roc_train = roc_curve(data_train["admit"], train_probs)
roc_test = roc_curve(data_test["admit"], test_probs)
# Plot false positives by true positives
plt.plot(roc_train[0], roc_train[1])
plt.plot(roc_test[0], roc_test[1])
plt.show()可以看到ROC曲线开始非常的陡峭，慢慢地变得平缓。测试集的AUC值是0.79小于训练集的AUC值0.82，没有出现过拟合的现象。这些迹象表明我们的模型可以根据gre和gpa来预测是否录取了。